Building autonomous agents with hybrid navigation policies
Développement d’agents autonomes avec des politiques de navigation hybrides
Résumé
Recent advancements in AI, and specifically Machine Learning, are enabling robots to more seamlessly integrate into our everyday routines. The objective of this thesis is to take a further step towards the development of intelligent autonomous agents that can be embedded in our daily environment, such as houses, hospitals, shopping malls, and so forth. These agents ought to possess the capability to effectively navigate their surroundings to achieve a certain target, such as reaching a certain place in the environment or finding a certain object. Therefore, we examine a wide range of existing techniques for building an embodied navigation agent. These techniques can be fully learned by neural networks (learned-based techniques) or they can be based on geometry techniques that rely on explicit modeling of the agent and its environment. In this thesis, we build hybrid approaches that use both techniques in such a way that they can work not only in a simulation but also in a real physical environment. This is a common goal for all the contributions to this thesis.
Les progrès récents de l’IA, et plus particulièrement de l’apprentissage automatique, permettent aux robots de s’intégrer de manière plus transparente dans nos habitudes quotidiennes. L’objectif de cette thèse est de faire un pas de plus vers le développement d’agents autonomes intelligents qui peuvent être intégrés dans notre environnement quotidien, comme les maisons, les hôpitaux, les centres commerciaux, etc. Ces agents devraient posséder la capacité de naviguer efficacement dans leur environnement pour atteindre un certain objectif, comme atteindre une certaine zone de l’environnement ou trouver un certain objet. C’est pourquoi nous examinons le large éventail de techniques existantes pour la construction d’un agent de navigation incarné. Ces techniques peuvent entièrement être apprises par des réseaux neuronaux (techniques basées sur l’apprentissage) ou elles peuvent être des techniques fondées sur la géométrie qui reposent sur une modélisation explicite de l’agent et de son environnement. Dans cette thèse, nous construisons des approches hybrides qui utilisent les deux techniques afin de pouvoir fonctionner, non seulement dans une simulation, mais également dans un environnement physique réel. Il s’agit d’un objectif commun dans toutes les contributions de cette thèse.
| Origine | Version validée par le jury (STAR) |
|---|