고전 방법과 학습의 조합
경로를 찾는 계획기는 분석적인 방법을 쓰고 지도와 정책의 일부는 학습한다. 모든 계산을 신경망에 맡기거나 전부 고정 규칙으로 만드는 두 방식 사이의 결합이다.
전역과 지역의 역할
전역 정책은 세계의 구조적 규칙성을 활용하고 지역 정책은 상태 추정 오류에 대한 대응을 학습한다. SLAM 모듈의 학습은 서로 다른 입력 관측을 다루는 유연성을 제공한다.
모듈별 학습
계층적으로 문제를 나누고 모듈을 학습해 종단 간 정책의 큰 경험 요구를 줄이려 한다. 각 부분의 역할이 나뉘어 있어 전체 성능을 해석할 때 모듈 조건도 함께 봐야 한다.
탐사에서 목표 이동으로
논문은 사실적인 시뮬레이션 탐사와 PointGoal로의 전이를 제시했다. 새 환경을 넓게 탐사하는 목표와 특정 물체를 찾는 목표 지향 의미 탐사는 서로 다른 과제다.
관련 문서
Neural SLAM 외부 기억 / SLAM / 목표 지향 의미 탐사 / PONI / Habitat / 경로 계획