[논문 리뷰] Semi-parametric Topological Memory for Navigation

Nikolay Savinov, Alexey Dosovitskiy외 1명|arXiv (Cornell University)|2018. 03. 01.

Advanced Image and Video Retrieval Techniques참고 문헌 34인용 수 55

한 줄 요약

세미-매개변수 토폴로지 기억(SPTM)을 도입한 그래프 기반 기억 시스템으로, 미지의 환경에서의 내비게이션을 위한 검색 네트워크를 갖추고 있으며, 미로 환경에서 베이스라인 대비 약 3배 더 높은 성공률을 달성한다.

ABSTRACT

We introduce a new memory architecture for navigation in previously unseen environments, inspired by landmark-based navigation in animals. The proposed semi-parametric topological memory (SPTM) consists of a (non-parametric) graph with nodes corresponding to locations in the environment and a (parametric) deep network capable of retrieving nodes from the graph based on observations. The graph stores no metric information, only connectivity of locations corresponding to the nodes. We use SPTM as a planning module in a navigation system. Given only 5 minutes of footage of a previously unseen maze, an SPTM-based navigation agent can build a topological map of the environment and use it to confidently navigate towards goals. The average success rate of the SPTM agent in goal-directed navigation across test environments is higher than the best-performing baseline by a factor of three. A video of the agent is available at https://youtu.be/vRF7f4lhswo

연구 동기 및 목표

• 동물의 랜드마크 내비게이션에서 영감을 얻은 기억 구조를 사용해 보지 않은 환경에서의 내비게이션을 촉진한다.
• 연결성(토폴로지)만을 저장하고 그 기억 내에서 위치를 파악하기 위해 신경 검색기(retriever)를 사용하는 기억 시스템을 제안한다.
• 수동 라벨이나 보상 없이 자체 감독(self-supervised) 방식으로 검색 및 주행 구성요소를 학습한다.
• 새로운 미로에서 약 5분의 탐사 후 SPTM이 효율적인 목표 지향 내비게이션을 가능하게 함을 보여준다.

제안 방법

• 노드가 위치를 나타내고 간선이 인접성 또는 시각적 유사성 기반의 지름길을 인코딩하는 비매개 그래프 G를 갖는 기억 아키텍처를 제안한다.
• 관찰 간의 유사성을 계산하여 G 내에서 위치를 파악하는 파라메트릭 검색 네트워크 R을 도입한다.
• 관찰 쌍의 시간적 근접성을 이용한 자체 감독 방식으로 R을 학습한다: 시간적으로 근접하면 가까움으로, 여유를 두고 떨어져 있으면 멀음으로 레이블링한다.
• 현재 관찰과 웨이포인트 관찰을 행동 분포로 매핑하는 주행 네트워크 L을 구축하고, 무작위 탐색으로부터 자체 감독 학습한다.
• 네비게이션 중에 현재 관찰과 목표 관찰을 G에서 로컬라이즈하고, 디익스트라(Dijkstra)로 최단 경로를 계산하며, 그 경로를 따라 도달 가능한 웨이포인트를 R을 사용해 선택한다.

실험 결과

연구 질문

• RQ1 제한된 탐색 후에도 반-매개변수적 토폴로지 기억이 보지 않은 환경에서 신뢰할 수 있는 목표 지향 내비게이션을 가능하게 할 수 있는가?
• RQ2 학습된 검색을 갖춘 토폴로지 기억이 새로운 미로에 대한 일반화에서 메트릭 맵 또는 반응형 베이스라인보다 우수한가?
• RQ3 로컬라이제이션의 정밀도와 지름길 형성의 질이 내비게이션 성능에 어떤 영향을 미치는가?
• RQ4 R과 L의 자체 감독 학습이 효과적인 단거리 내비게이션 및 계획에 충분한가?

주요 결과

• SPTM은 보지 않은 미로에서 최상의 베이스라인보다 평균 탐색 성공률이 3배 더 높다.
• 단 5분의 워크스루 영상으로도 에이전트가 토폴로지 맵을 구축하고 목표를 향해 효과적으로 탐색한다.
• 아블레이션 결과 시각적 지름길을 제거하면 성능이 크게 저하된다(Val-1:85%, Val-2:55%, Val-3:50% 대 전체:100%,100%,100%).
• 프레임별 로컬라이제이션 또는 전체 메모리 텍스처링을 사용하면 강건성이 향상되며, 전체 SPTM은 검증에서 Val-1과 Val-3에서 100%에 도달한다.
• 최단 경로 지름길은 평균 경로 길이를 크게 단축시키며(예: Val-3 경로 길이가 990에서 155걸음으로 감소).