论文地址：http://arxiv.org/pdf/2001.02364v2.pdf 代码：https://github.com/wqi/a2l 来源：卡耐基梅隆大学 论文名称：Learning to Move with Affordance Maps 原文作者：William Qi
从家用机器人吸尘器到自动车辆，在物理空间中能够自主探索和导航是任何自主移动智能体的基本要求。传统的基于SLAM的探索和导航方法主要关注点在利用场景几何结构，但未能对动态对象(其他agents)或语义约束(如湿地板或门廊)进行建模。基于学习的RL agents可以合并语义和几何信息，是一个很好的选择，但众所周知，该方法抽样效率很低，很难推广到新环境，并且很难标注。在本文中，结合上述两种方法的优点，学习场景的空间表示时，模块化的方法与传统的几何规划相结合，训练是有效的。具体地说，本文设计了一个学习预测空间启示图的agent，它阐明了场景的哪些部分可以通过收集主动的自我监督经验来导航。与大多数假定静态世界的模拟环境相比，我们在VizDoom模拟器中评估我们的方法，地图中包含各种随机生成的动态参与者和障碍。结果证明了learned affordance maps可以用于增强传统的探索和导航方法，从而显著提高性能。
下面是论文具体框架结构以及实验结果：
人工智能，每日面试题：
“过拟合”只在监督学习中出现，在非监督学习中，没有“过拟合”，这是正确的？
A.对的
B.错的
每日面试题，答案：
号主答案：B
解析：我们可以评估无监督学习方法通过无监督学习的指标，如：我们可以评估聚类模型通过调整兰德系数（adjusted rand score）。
声明：文章来自于网络，仅用于学习分享，版权归原作者所有，侵权请联系删除。
