[논문 리뷰] Learning to Map for Active Semantic Goal Navigation

Georgios Georgakis, Bernadette Bucher외 3명|arXiv (Cornell University)|2021. 06. 29.

Multimodal Machine Learning Applications참고 문헌 58인용 수 4

한 줄 요약

이 논문은 주어진 시야 외부의 정서적 지도를 생성하고 예측 불확실성을 활용해 장기적 목표 선택을 안내하는 새로운 프레임워크인 L2M(Learning to Map)을 제안한다. 의사결정 불확실성을 정보 수익 목표로 삼아 앙상블 세분화 모델을 능동적으로 훈련시킴으로써, 새로운 환경에서의 물체 목표 탐색 성공률을 향상시킨다. Matterport3D 벤치마크에서 최적의 구성 요소를 사용할 경우 80%의 성공률을 달성한다.

ABSTRACT

We consider the problem of object goal navigation in unseen environments. Solving this problem requires learning of contextual semantic priors, a challenging endeavour given the spatial and semantic variability of indoor environments. Current methods learn to implicitly encode these priors through goal-oriented navigation policy functions operating on spatial representations that are limited to the agent's observable areas. In this work, we propose a novel framework that actively learns to generate semantic maps outside the field of view of the agent and leverages the uncertainty over the semantic classes in the unobserved areas to decide on long term goals. We demonstrate that through this spatial prediction strategy, we are able to learn semantic priors in scenes that can be leveraged in unknown environments. Additionally, we show how different objectives can be defined by balancing exploration with exploitation during searching for semantic targets. Our method is validated in the visually realistic environments of the Matterport3D dataset and show improved results on object goal navigation over competitive baselines.

연구 동기 및 목표

• 공간적·정서적 다양성이 일반화를 어렵게 하는 새로운 실내 환경에서 정서적 목표로 이동하는 데 도전하는 것.
• 기존 방법이 관측된 영역에만 의존하는 한계를 극복하고, 관측되지 않은 정서적 내용을 예측하고 추론할 수 있도록 하는 것.
• 모델 불확실성을 활용해 데이터 샘플링을 안내하고 정서적 지도 일반화를 향상시키는 능동 학습 전략을 개발하는 것.
• 상한 신뢰도 기반 목표 계획 목표(예: UCB)를 사용해 탐색과 이용의 균형을 이루는 것.
• 공간 예측을 통해 학습된 정서적 사전 지식이 알려지지 않은 환경으로 일반화되어 탐색 성능을 향상시킬 수 있음을 입증하는 것.

제안 방법

• 프레임워크는 상향도 지도 위에 훈련된 두 단계 세분화 모델의 앙상블을 사용하여 관측되지 않은 영역의 점유 및 정서적 영역을 예측한다.
• Pathak 등(2019)과 Seung 등(1992)의 방법을 따르며, 앙상블 구성원 간의 불일치를 통해 모델 불확실성을 추정하여 예측에 대한 신뢰도를 정량화한다.
• 능동 학습 전략은 정보 수익을 기반으로 훈련 샘플을 선택하며, 사전 불확실성이 지도 품질 향상에 가장 효과적인 목표로 나타났다.
• 장기적 탐색 목표는 불확실성 인식 계획기(예: 상한 신뢰도 기반 전략)를 사용해 선택되며, 탐색과 이용의 균형을 이룬다.
• 시스템은 국소 정책을 통합하여 탐색을 수행하고 성능 평가를 성공률 및 오라클 정지/목표 조건을 통한 성공률로 수행한다.
• 메서드는 Habitat 시뮬레이터를 사용해 Matterport3D 데이터셋에서 평가되었으며, 국소 정책 및 정지 기준과 같은 구성 요소에 대한 분석도 포함되어 있다.

실험 결과

연구 질문

• RQ1 모델 불확실성을 활용한 능동 학습이 관측되지 않은 영역의 정서적 지도 예측 일반화에 기여하는가?
• RQ2 불확실성 기반 목표 선택이 탐색과 이용의 균형을 이루는 데 있어 무작위 또는 탐욕 전략보다 우수한가?
• RQ3 공간 환영을 통한 정서적 사전 지식 학습이 알려지지 않은 환경에서의 성공률에 얼마나 기여하는가?
• RQ4 국소 정책과 정지 결정 메커니즘이 전체 탐색 성능에 기여하는 정도는 어떠한가?
• RQ5 훈련 중 다양한 정보 수익 목표가 정서적 지도 예측 품질과 후속 탐색 성공률에 어떤 영향을 미치는가?

주요 결과

• L2M 프레임워크는 최상의 구성 요소를 조합했을 때 도전적인 테스트 에피소드 서브셋에서 평균 성공률 80%를 달성한다: 국소 탐색에 GtPath, 목표 탐지에 OracleStop을 사용할 경우.
• 사전 불확실성이 능동 데이터 샘플링에 가장 효과적인 정보 수익 목표로 확인되었으며, 정서적 지도 품질과 탐색 성능 향상에 크게 기여했다.
• 상한 신뢰도 기반 계획을 통한 불확실성 기반 플래닝은 탐색과 이용의 균형을 더 잘 이룩하여 기준 전략보다 높은 성공률을 기록했다.
• 분석 결과 국소 정책이 주요 성능 저하 요인임을 확인했으며, 이를 최단경로 추정(GtPath)으로 대체함으로써 성능이 크게 향상되었다.
• 시야 외부의 정서적 내용을 예측할 수 있는 능력 덕분에 알려지지 않은 환경으로의 일반화가 가능했으며, Matterport3D 데이터셋에서 경쟁 기반 기술들을 능가하는 성능을 보였다.