Cross-Modal Navigation with Multi-Agent Reinforcement Learning

요약

본 논문은 로봇의 견고한 체화된 내비게이션을 위해 다중 모달리티 데이터를 활용하는 Multi-Agent Reinforcement Learning (MARL) 프레임워크인 CRONA를 제안합니다. CRONA는 각 모달리티에 특화된 경량 에이전트들이 협력하여 복잡하고 방대한 정책 공간 문제를 해결하며, 중앙 집중식 다중 모달 비평가(critic)와 제어 관련 보조 신념을 활용해 협업 능력을 향상시킵니다. 실험 결과, 이 다중 에이전트 접근 방식은 시각-음향 내비게이션 작업에서 단일 에이전트 기반 모델보다 성능과 효율성 면에서 크게 우수함을 입증했습니다.

핵심 포인트

• 로봇의 체화된 내비게이션을 위해서는 다양한 감각 정보를 활용하는 것이 필수적이지만, 고품질의 다중 모달 데이터 확보가 어렵다.
• CRONA는 각 모달리티에 특화된 경량 에이전트들이 협력하는 MARL 패러다임을 사용하여 확장성과 유연성을 높인다.
• 제안된 CRONA 프레임워크는 중앙 집중식 다중 모달 비평가와 제어 관련 보조 신념을 통해 에이전트 간의 협업을 강화한다.
• 실험적으로, 이질적인(heterogeneous) 모달리티를 가진 에이전트들의 협력이 복잡한 환경에서 가장 효율적이고 효과적임을 보여준다.