幾何学的候補モードを用いたマルチモーダル実演からのナビゲーション学習

- オフラインのナビゲーション実演はマルチモーダルであり、1つの観測から複数の有効な行動（例：障害物の左右どちらかを通過）が存在する。 - 行動クローニングはこれらの行動を平均化し、危険な経路を生成する可能性がある。 - 本研究では、局所幾何から候補モードを計算し、実演からどのモードを追従するか、どのように追従するかを学習する階層型ニューラルネットワークポリシーを提案する。 - 高レベルポリシーは目標と候補モードの中から前回の選択を用いてモードを選択し、低レベルポリシーがそれを行動に変換する。

- 従来のオフライン学習ベースライン（4手法）は見たテストケースで最大43%、未見で最大20%の成功率であったのに対し、提案手法は見た・未見ともに95%以上を達成。 - 同じモードを用いるが学習しないヒューリスティックは見た79%、未見67%であり、学習により大幅に改善。 - マルチモーダルな実演から代替行動を発見し、幾何学的な原因に基づいて候補モードを計算する点が新しい。

- 局所幾何から候補モードを計算する。 - 階層型ニューラルネットワークポリシー：高レベルポリシーが目標と前回の選択に基づいて候補モードからモードを選択し、低レベルポリシーがそのモードを行動に変換する。 - 実演からどのモードを追従するか、どのように追従するかを学習する。

- シミュレーションで評価し、見たテストケースと未見テストケースで95%以上の成功率を達成。 - 4つのオフライン学習ベースライン（最大43%と20%）および学習なしのヒューリスティック（79%と67%）と比較。 - シミュレーションで訓練したポリシーがLimX Tron 1二足歩行ロボットに転移することを確認。

- 要旨からは不明。

- 要旨で参照/比較されている研究：4つのオフライン学習ベースライン（具体的名称は要旨に記載なし）、同じモードを用いるヒューリスティック。 - 関連手法：Behavior Cloning、Multimodal Policy Learning、Hierarchical Reinforcement Learning。