[論文レビュー] From Seeing to Moving: A Survey on Learning for Visual Indoor Navigation (VIN)

Xin Ye, Yezhou Yang|arXiv (Cornell University)|Feb 26, 2020

Multimodal Machine Learning Applications参考文献 63被引用数 15

ひとこと要約

本サーベイは、視覚的屋内ナビゲーション（VIN）の学習ベース手法について包括的な概要を提供し、目的のモodal（ラベル、画像、言語）ごとにアプローチを分類し、教師あり学習および強化学習の手法を分析している。一般化、データ効率性、知識統合の分野における主な課題を特定し、現実世界のナビゲーションシナリオにおける耐障害性と転送可能性を向上させるための今後の研究方向性を提案している。

ABSTRACT

Visual Indoor Navigation (VIN) task has drawn increasing attention from the data-driven machine learning communities especially with the recently reported success from learning-based methods. Due to the innate complexity of this task, researchers have tried approaching the problem from a variety of different angles, the full scope of which has not yet been captured within an overarching report. This survey first summarizes the representative work of learning-based approaches for the VIN task and then identifies and discusses lingering issues impeding the VIN performance, as well as motivates future research in these key areas worth exploring for the community.

研究の動機と目的

• 多様な目的モダリティをカバーする最近の学習ベースの視覚的屋内ナビゲーション（VIN）アプローチを包括的に統合的に要約すること。
• 一般化、データ効率性、モデルの耐障害性といったVIN性能における継続的な課題を特定すること。
• VIN研究における教師あり学習（SL）と強化学習（RL）手法の比較の公平性と妥当性を評価すること。
• 外部知識および構造的表現がナビゲーションの一般化を向上させる役割を明らかにすること。
• シミュレーションから現実への転送やマルチモーダル推論といった、VIN分野における主要な未解決問題と有望な研究方向性を提示することで、今後の研究を導くこと。

提案手法

• 目的記述のモダリティ（意味的ラベル、画像、自然言語指示）に基づいてVINタスクを分類する。
• エキスパートのデモンストレーションや最適な経路から学習する教師あり学習（SL）手法をレビューし、一般化可能な視覚的および空間的特徴を抽出する。
• ナビゲーションをマルコフ決定過程（MDP）として定式化し、スパarsな報酬で試行錯誤によって方策を最適化する強化学習（RL）手法を分析する。
• 経験の履歴（h）を組み込むことでRLの一般化を向上させる提案。環境マップの不確実性をモデル化するP(m|o;g;h)を導入し、方策学習の向上を図る。
• 環境固有のマップ表現に代わる高レベルで普遍的な環境表現（例：Ye & Yang, 2021b）の使用を提唱する。
• 日常的知識モデル、オブジェクト関係、知識ベースといった外部知識の統合を検討し、ナビゲーション意思決定を支援し、ゼロショット一般化を向上させる。

実験結果

リサーチクエスチョン

• RQ1 視覚的屋内ナビゲーションタスクにおいて、教師あり学習と強化学習手法をどのように公平に比較できるか？
• RQ2 未確認の環境においてVINモデルの一般化性能にどのような主な制限要因があるか？
• RQ3 外部知識を統合することで、未確認の屋内環境におけるゼロショットまたはフェイシュットナビゲーション性能をどの程度向上できるか？
• RQ4 強化学習ベースのVINにおける環境マップ推定の不確実性をどのように低減すれば、方策学習を改善できるか？
• RQ5 エージェントの経験履歴が、ナビゲーション方策の一般化とサンプル効率性の向上に果たす役割は何か？

主な発見

• 教師あり学習手法は最適な経路にアクセスできるため、強化学習手法よりも一般化性能に優れるが、エキスパートのデモンストレーションを必要とする。
• 強化学習ベースのVINモデルは、特に未確認の環境において一般化性能が低く、サンプル効率性にも欠ける。
• 方策ネットワークにエージェントの経験履歴（h）を組み込むことで、環境マップ推定の不確実性が低減され、一般化性能が向上する。
• P(m|o;g)ではなくP(m|o;g;h)の確率分布をモデル化することで、より正確で頑健な方策学習が実現される。
• 高レベルで普遍的な環境表現（例：知識グラフやシーングラフからのもの）は、ゼロショット転送設定において、低レベルで環境固有のマップ表現を上回る性能を示す。
• オブジェクト関係、部屋のレイアウト、日常的知識の事前知識といった外部知識を統合することで、ナビゲーションの効率性と一般化性能が顕著に向上し、特に未確認の環境において顕著である。