混雑環境のエンドツーエンドナビゲーションのための深度表現学習DeRep

- 混雑環境における end-to-end navigation のための表現学習手法 DeRep を提案する研究。 - 既存手法は表現と policy を同時学習するか観測再構成を通じて学習し、表現が何を保持すべきか明示しない点を問題視。 - DeRep は local bird's-eye-view reachability supervision と depth reconstruction を組み合わせた navigation 指向の表現学習を行う。 - 共通アーキテクチャで pretrain した encoder を downstream 学習中に freeze し、表現目的の比較を統制条件下で行う。

- 既存手法は表現を policy と joint 学習するか observation reconstruction で学習し、保持すべき情報を明示しない。 - また単一の downstream policy learner での評価が一般的で、表現の利得が policy 学習法に依存しうる点が未解明だった。 - 本研究は encoder を共通アーキテクチャで pretrain し freeze することで、表現目的の影響を統制して比較。 - 複数の downstream 学習法 (linear probe, flow-matching imitation learning, PPO) で評価する点が異なる。

- DeRep は navigation 指向の表現学習で、local bird's-eye-view reachability supervision と depth reconstruction を組み合わせる。 - encoder は共通アーキテクチャで pretrain し、downstream 学習中は freeze する。 - 比較のため reachability のみ、reconstruction のみ、両者の joint 目的などの表現目的を統制条件下で比較。 - downstream 評価には linear policy probe、flow-matching imitation learning、PPO を用いる。

- linear policy probe で DeRep が最も低い予測誤差を達成。 - PPO の 6 条件すべてで reconstruction 単独を上回る。 - imitation learning では reachability 系の目的が reconstruction 単独より高い平均成功率を示し、reachability-only と joint 目的は同程度の平均成功率。 - frozen DeRep encoder 付き PPO policy を Gazebo と実機 quadrotor に fine-tuning なしで展開し、zero-shot sim-to-sim と sim-to-real 転移を示す。

- reachability supervision を depth 表現 pretraining に組み込む利点が、異なる downstream 学習法と評価条件で一貫して見られた。 - imitation learning では reachability-only と joint 目的の平均成功率が同程度であり、depth reconstruction の追加効果は限定的な可能性。 - 表現の利得が policy 学習法に依存しうる点を踏まえ、複数学習法での評価の重要性を示唆。 - 具体的な限界や失敗事例については要旨からは不明。

- 要旨で比較されている reconstruction 単独目的の表現学習研究。 - flow-matching imitation learning および PPO を用いた navigation 研究。 - local bird's-eye-view reachability を用いる navigation 研究。 - zero-shot sim-to-real 転移に関する quadrotor navigation 研究。