FlowMo-WM: Modelo do Mundo com Momento de Objeto e Deriva Ambiente Oculta
Nova Tecnologia na Inteligência Artificial Aprende a Navegar em Ambientes Dinâmicos
Introdução
As world models ou modelos do mundo são fundamentais para a aprendizagem robótica, pois permitem que os agentes reasonem sobre as consequências de seus controles. No entanto, muitos modelos condicionados à ação são avaliados em ambientes onde o movimento é dominado pelo controle imediato, o que não é o caso de veículos de superfície aquática e outras coisas do mundo real que continuam se movendo sob a lei da inércia e são deslocados por uma deriva ambiental oculta, como correntes de água ou vento.
Proposta de FlowMo-WM
FlowMo-WM é um modelo end-to-end treinável do mundo visual que infere o estado de movimento centrado em objetos e um contexto preditivo com longa história associado à deriva ambiente oculta a partir de históricos de imagem e ação sem supervisão direta de campos de fluxo. FlowMo-WM factoriza o histórico de imagem e ação em um estado latente a curto prazo, treinado para resumir o movimento centrado em objetos, e um contexto a longo prazo, treinado para resumir influências exógenas lentamente variáveis.
Funcionamento
FlowMo-WM é treinado de forma end-to-end, o que significa que é treinado diretamente a partir de dados de treinamento, sem necessidade de um modelo intermediário. Ele infere o estado de movimento centrado em objetos e o contexto preditivo com longa história associado à deriva ambiental oculta a partir de históricos de imagem e ação. O modelo é capaz de separar as dinâmicas base condicionadas à ação das efeitos de deriva dependente do contexto durante a rollover latente.
Resultados
No ambiente simulado de veículos de superfície aquática com fluxos ocultos diversificados, distúrbios e dinâmica de veículos aleatórios, o FlowMo-WM melhora a precisão da rollover a longo prazo em comparação com modelos de mundo latente condicionados à ação representativos. Ablações de contexto, em que o contexto inferido é zeroado ou embaralhado durante a rollover, mostram que o contexto ambiental é importante para previsões estáveis sob deriva oculta, enquanto perfis lineares congelados caracterizam a informação encaminhada nos fatores aprendidos.
