备注：研究方向 地点 学校/公司 昵称，更快通过申请，长按加细分领域技术交流群，目前有细分领域：图像分割、图像目标检测、论文写作、车道检测、模型优化、目标跟踪、SLAM、点云处理（分割检测）、深度学习。
获取完整原文和代码，公众号回复：09051197120
论文地址：http://arxiv.org/pdf/2006.13205v2.pdf
代码： 公众号回复：09051197120
来源： USC
论文名称：Long-Horizon Visual Planning with Goal-Conditioned Hierarchical Predictors
原文作者：Karl Pertsch
内容提要
预测和计划未来的能力是agent在世界上行动的基础。为了达到一个远的目标，我们在多个时间尺度上预测轨迹，首先设计一个朝向目标的粗略计划，然后逐渐填充细节。相比之下，目前用于视觉预测和规划的学习方法在长视距任务中失败，因为它们生成的预测(1)不考虑目标信息，(2)在最优时间分辨率下，一次一步。在这项工作中，我们提出了一个可视化预测和规划的框架，能够克服这两个限制。首先，我们提出了对目标的预测问题，并提出了相应的潜在空间目标条件预测器GCPs。GCPs通过将搜索空间限制为仅能达到目标的轨迹，显著提高了规划效率。进一步，我们展示了如何将GCPs自然地表述为分层模型，给定两个观测值，预测它们之间的观测值，并通过递归细分轨迹的每个部分生成完整序列。这种分而治之的策略在长期预测中是有效的，并使我们能够设计一种有效的分层规划算法，以从粗到细的方式优化轨迹。我们表明，通过使用目标条件作用和层次预测，GCPs使我们能够在比以前更长的视野下解决视觉规划任务。
主要框架及实验结果
声明：文章来自于网络，仅用于学习分享，版权归原作者所有，侵权请加上文微信联系删除。
