Conceptos Básicos
複合タスクを効果的に分解し、効率的に処理するためのマルチレベル構成アプローチを提案します。
Resumen
ロボットが日常の家事を行う際に、環境内でのナビゲーションと物体とのやり取りをマスターする必要がある。
複合タスクは、複数のサブタスクに関する推論が必要であり、それらを個別に処理している。
マルチレベル構成推論エージェント(MCR-Agent)は、3つのレベルのアクションポリシーを学習しています。
高いレベルでは、人間が理解可能なサブゴールのシーケンスを推測し、実行されるようにします。
中間レベルでは、エージェントのナビゲーションを制御し、さまざまな独立したインタラクションポリシーを交互に使用します。
最下位レベルでは、適切なインタラクションポリシーを使用して対応するオブジェクトマスクと操作アクションを推測します。
Abstract:
ロボットエージェントは日常生活で家事を行うために複雑なナビゲーションと物体とのやり取りが必要です。
MCR-Agentは3つのアクションポリシーレベルを学習し、人間が理解可能なサブゴールを生成します。
Introduction:
理想的なロボットアシスタント構築へ向けて進化しており、組み合わせた能力が必要です。
Model:
マスターポリシーはナビゲーション専用であり、オブジェクトとの相互作用も同時にマークします。
Experiments:
ALFREDデータセットで評価されており、長期計画や部分観測性など多くの課題が含まれます。
Estadísticas
エージェントは競合する最新技術よりも高い効率で任務を達成します。 (PLWSR)
Citas
"我々は多層構成的推論エージェント(MCR-Agent)を提案しました。"
"我々は人間が理解可能なサブゴール生成方法としてPCC(Policy Composition Controller)を提案します。"