结合拆分注意力机制和下一次预期观察的视觉导航

摘要：

针对深度强化学习视觉导航算法因导航场景变化而导致导航精度下降,影像匹配的实时性和可靠性降低的问题,提出一种融合拆分注意力机制和下一次预期观测(NEO)的视觉导航模型.首先使用ResNest50骨干网络提取当前状态和目标状态的特征以降低网络冗余,利用跨阶段部分连接CSP强化捕获浅层目标特征信息以增强模型的学习能力.然后提出改进的损失函数,使得推理网络更加接近于真实后验,从而智能体能在当前环境下做出最佳决策,进一步提升不同场景下模型的导航精度.在AVD数据集和AI2-THOR场景进行训练及测试,实验结果表明,本文算法导航精度高达96.8％,平均SR提升约3％,平均SPL提升约6％,可以满足导航精度和实时匹配的要求.

关键词：视觉导航、深度强化学习、拆分注意力机制、下一次预期观测

所属期刊栏目：37

分类号：TP242;TP391.41(自动化技术及设备)

资助基金：贵州省科学技术基金;贵州省联合资金黔科合LH字号;贵州大学学术新苗培养;创新探索专项;贵州省科技计划项目

在线出版日期：2023-07-12（万方平台首次上网日期，不代表论文的发表时间）

页数：共10页

页码：96-105