인과적 개입을 통한 목표 중심 시각 내비게이션

목표 중심 시각 내비게이션은 과학 및 산업 분야에서 큰 잠재력을 제공합니다. 이는 목표 및 환경 관찰을 입력으로 사용합니다. 그러나 훈련 중에, 에이전트가 특정 위치에 갇히는 경우가 종종 발견되었습니다. 새로운 인과적 관점에서 시각 정보에 대한 분석에 따르면, 가장 중요한 장애물 중 하나는 환경에서의 혼란 변수(혼란요인)의 무시로, 이는 종종 근거 없는 상관관계를 초래합니다. 혼란 효과를 완화하는 것은 실제 인과관계를 발견하는 데 도움을 주며, 따라서 객체 탐지와 같은 다른 분야에서도 고려됩니다. 이 기사에서는 심층 강화 학습(DRL) 및 인과적 개입을 기반으로 한 인과적 개입 시각 내비게이션(CIVN)을 제안합니다. 대부분의 혼란 변수가 명시적으로 모델링하기 어려운 관계를 고려하여 전면 조정(front-door adjustment)을 사용하여 인과적 개입을 실현합니다. 특히, CIVN은 시각 내비게이션을 위한 인과적 개입의 합리적인 근사값인 인과적 주의를 통해 구현됩니다. 인과적 주의는 DRL에 의해 활용되는 고품질 표현을 제공하며, "갇힘"의 수를 줄입니다. 인과적 개입이 목표 중심 시각 내비게이션의 혼란 효과를 해결하는 데 처음으로 적용되었다는 점은 주목할 만합니다. AI2-THOR에 대한 광범위한 실험 결과 CIVN이 이전 작품들보다 더 나은 성능을 달성했습니다. 특히, 알려지지 않은 목표와 장면에 대한 일반화가 크게 개선되었으며, 이는 시각 내비게이션의 기본 연구 주제입니다. 더욱이, 더 나은 일반화를 얻기 위해, 우리는 사전 훈련된 모델을 활용한 새로운 실험을 제안합니다.