摘要 - 隐式表示,例如神经辐射场(NERF),可以通过连续的神经功能在3D场景中绘制颜色,密度和语义。但是,这些模型通常需要手动和仔细的人类数据收集进行培训。本文解决了自主nerf构造的主动探索问题。我们研究代理如何学会有效地探索未知的3D环境,以便在自主性过程中收集的数据能够学习高质量的神经隐式图表示。在四个与机器人相关的下游任务上评估了所学代表的质量:经典的观点渲染,地图重建,计划和姿势改进。我们比较了不同的探索策略的影响,包括基于前沿的基于基础和学习的方法(端到端和模块化)以及针对此问题量身定制的不同奖励功能。经验结果表明,可以使用在看不见的环境中使用一集经验对积极收集的数据进行培训,并且Autonerf是一种经过加固学习训练的模块化勘探策略,使得获得了高质量的NERF,以获得高质量的NERF,以实现经过考虑的下游机器人任务。最后,我们证明,使用Autonerf可以将代理部署到以前未知的场景中,然后通过通过勘探,重建和策略填充的循环来适应场景来自动改善其导航性能。
“使用明确的方法来确定其生命周期不同点的卫生技术的价值。目的是为决策提供信息,以促进公平,高效和高质量的卫生系统。” (O'Rourke,Oortwijn&Schuller;国际联合任务小组,2020年)
人们比以往任何时候都更加依赖快速、安全和高质量的在线服务,无论是在生活的各个方面,还是在与政府互动时。数字和数据副部长委员会帮助各部委应对人们获取服务方式的这些变化。
建立早期教育体系,提供高质量的学前教育和其他早期儿童学习机会,确保所有面临教育失败风险的学生,无论居住在该州的哪个地方,都能进入幼儿园并顺利完成学业;以及
