Alapfogalmak
Effiziente Navigation von Agenten durch Perturbation-bewusstes Kontrastives Lernen zur Verbesserung der Robustheit.
Kivonat
Das Paper präsentiert das Progressive Perturbation-aware Contrastive Learning (PROPER) zur Verbesserung der Navigation von Agenten in realen Szenarien. Es führt eine effektive Pfadperturbation ein, um die Robustheit der Navigation zu verbessern. Durch ein schrittweise perturbiertes Trajektaugmentationsverfahren und ein perturbationsbewusstes kontrastives Lernmechanismus wird die Navigationseffizienz gesteigert.
- Vision-and-Language Navigation (VLN) erfordert, dass Agenten natürlichsprachlichen Anweisungen folgen, um sich in komplexen visuellen Umgebungen zu bewegen.
- PROPER verbessert die Navigationseffizienz und Robustheit von Agenten in realen Szenarien durch perturbationsbewusstes Lernen.
- Experimente auf dem R2R-Benchmark zeigen die Überlegenheit von PROPER gegenüber anderen VLN-Baselines.
Statisztikák
Eine einfache, aber effektive Pfadperturbation wird eingeführt, um die Robustheit der Navigation zu verbessern.
PROPER verbessert die Navigationseffizienz und Robustheit von Agenten in realen Szenarien.
Experimente auf dem R2R-Benchmark zeigen die Überlegenheit von PROPER gegenüber anderen VLN-Baselines.
Idézetek
"Können wir die Generalisierungsfähigkeit bestehender VLN-Agenten für reale Szenarien verbessern, indem wir sie einfach dazu bringen, eine erfolgreiche Navigation unter unerwarteter Routenabweichung zu erlernen?"