Habitat Challenge 挑战赛由 Meta AI 等机构联合举办，是物体目标导航领域的知名赛事之一，已连续举办４届， 此前夺冠队伍出自 CMU、UC Berkerly、Facebook 等知名机构。2022 年的最新一届比赛共有 54 支参赛队参加，字节跳动 AI Lab-Research 团队的研究者针对现有方法的不足，提出了一种全新的物体目标导航框架。该框架巧妙地将模仿学习与传统方法结合，在关键指标 SPL 中大幅度超过了其他参赛队伍的结果。
Habitat Challenge 比赛官网：https://aihabitat.org/challenge/2022/
Habitat Challenge 比赛 LeaderBoard：https://eval.ai/web/challenges/challenge-page/1615/leaderboard
研究动机
目前，物体目标导航方法可以大致分为两大类：端到端的方法；基于地图的方法。
端到端的方法提取输入传感器数据的特征，再送入一个深度学习模型中得到 action，此类方法一般基于强化学习或模仿学习（如图１Map-less methods）；
基于地图的方法一般会构建显式或隐式地图，然后通过强化学习等方法在地图上选取一个目标点，最后规划路径并得到 action（如图１Map-based method）。
图１ 端到端的方法 (上) 和基于地图的方法（下）流程示意图
在经过大量实验对比两类方法后，研究者们发现这两类方法各有优劣：端到端的方法不需要构建环境的地图，因此更加简洁，且不同场景的泛化能力更强。但由于网络需要学习编码环境的空间信息，依赖大量的训练数据，且难以同时学习一些简单的行为，比如在目标物体附近停下。而基于地图的方法使用栅格来存储特征或语义，具有显式空间信息，因此这类行为的学习门槛较低。但它非常依赖准确的定位结果，而且在一些如楼梯等环境中，需要人工设计感知和路径规划策略。
基于上述结论，字节跳动 AI Lab 的研究者们希望将两类方法的优势结合起来。然而这两类方法的算法流程差异很大，难以直接组合；此外也很难设计出一种策略直接融合两种方法的输出。因此研究者设计了一种简单但有效的策略，使两类方法根据机器人的状态交替进行主动探索和物体搜索，从而将各自的优势最大程度地发挥出来。
竞赛方法
算法主要有两个分支组成：基于概率地图的分支和端到端的分支。算法的输入是第一视角的 RGB-D 图像和机器人位姿，以及需要寻找的目标物体类别，输出是下一步动作 action。首先对 RGB 图像进行实例分割，并将其与其他原始输入数据一起传给两个分支。两个分支分别输出各自的 action，并由一个切换策略决定最终输出的 action。
图 2 算法流程示意图
基于概率地图的分支
基于概率地图的分支借鉴了 Semantic linking map[2] 的思想，并对作者原来发表在 IROS 机器人顶会的论文 [3] 方法进行了简化。该分支根据输入的实例分割结果、深度图和机器人位姿，一方面构建 2D 语义地图；另一方面基于预先学习的物体间关联概率，对一张概率地图进行更新。
概率地图的更新方式包括以下几种：当检测到目标物体但没有足够把握时(置信概率 confidence score 低于阈值)，此时应该继续靠近观察，因此概率地图上相应区域的概率值应该提高（如图 3 上方所示）；同理，如果检测到和目标物体有关联的物体（例如桌子和椅子放在一起的概率比较高），则相应区域的概率值也会提高（如图 3 下方所示）。算法通过选择概率最高的区域作为目标点，鼓励机器人靠近潜在目标物体以及关联物体进一步观察，直到找到置信概率高于阈值的目标物体。
图 3 概率地图更新方式示意图
端到端的分支
端到端分支的输入包括 RGB-D 图像、实例分割结果、机器人位姿，以及目标物体类别，并直接输出 action。端到端分支的主要作用是引导机器人像人类一样寻找物体，因此采用了 Habitat-Web[4] 方法的模型和训练流程。该方法基于模仿学习，通过在训练集中收集人类寻找物体的示例样本训练网络。
切换策略
切换策略主要根据概率地图和路径规划的结果，在概率地图分支和端到端分支输出的两个 action 中选择一个作为最终输出。当概率地图中没有概率大于阈值的栅格，机器人需要对环境进行探索；当地图上无法规划出可行路径时，此时机器人可能处于一些特殊环境（如楼梯），这两种情况下会采用端到端分支，使机器人具备足够的环境适应能力。其他情况则选择概率地图分支，充分发挥其在寻找目标物体方面的优势。
该切换策略的效果如视频所示，机器人一般情况下利用端到端分支高效地探索环境，一旦发现了可能的目标物体或关联物体，则切换到概率地图分支靠近观察，如果目标物体的置信概率大于阈值，则在目标物体处停下；否则该区域的概率值会不断降低，直到没有概率大于阈值的栅格，机器人重新切换回端到端继续探索。
这种方法兼具了端到端方法和基于地图的方法的优势。两个分支各司其职，端到端方法主要负责探索环境；概率地图分支负责靠近感兴趣区域进行观察。因此该方法不仅能够在复杂场景探索（如楼梯），还降低了端到端分支的训练要求。
总结
针对物体主动目标导航任务，字节跳动 AI Lab-Research 团队提出了一种结合经典概率地图与现代模仿学习的框架。该框架是对传统方法与端到端方法相结合的一次成功的尝试。在 Habitat 竞赛中，字节跳动 AI Lab-Research 团队提出的方法大幅度超出了第二名及其他参赛队伍的结果，证明了算法的先进性。通过将传统方法引入目前主流的 Embodied AI 端到端方法，来进一步弥补端到端方法的一些不足，从而使得智能机器人在帮助人、服务人的道路上更进一步。
参考文献
[1] Yadav, Karmesh, et al. "Habitat-Matterport 3D Semantics Dataset." arXiv preprint arXiv:2210.05633 (2022).
[2] Zeng, Zhen, Adrian Röfer, and Odest Chadwicke Jenkins. "Semantic linking maps for active visual object search." 2020 IEEE International Conference on Robotics and Automation (ICRA). IEEE, 2020.
[3] Minzhao Zhu, Binglei Zhao, and Tao Kong. "Navigating to Objects in Unseen Environments by Distance Prediction." arXiv preprint arXiv:2202.03735 (2022).
[4] Ramrakhya, Ram, et al. "Habitat-Web: Learning Embodied Object-Search Strategies from Human Demonstrations at Scale." Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. 2022.
