2022/12/9 Deep Learning JP http://deeplearning.jp/seminar-2/

1. 1
DEEP LEARNING JP
[DL Papers]
http://deeplearning.jp/
Emergence of maps in the memories of blind navigation
agents
Presenter: Manato Yaguchi Hokkaido university, B3

2. 書誌情報
• タイトル： Emergence of maps in the memories of blind navigation agents
(ICLR 2023 Under review)
• 著者：不明
• 論文： Emergence of Maps in the Memories of Blind Navigation Agents |
OpenReview)
• 選定理由：Openreviewでの評価が高い, 生物など他分野との関連を意識した
もので興味深かった.
2
※出典記載のない図は本論文から引用

3. 概要
• 1人称視点しかも目が見えない設定のagentが、未知の環境の探索を達成で
きるのか？=> Yes
• 目の見えないagentは何故こんなに良いパフォーマンスを出せるのか=>記
憶、もっと言えば記憶を空間認知や衝突検知に生かすことによる
• 環境についてどのような情報を記憶しているのか？ => 暗黙的なマップ
• マップの生成はタスクに依存するのか？ => Yes, マップは探索タスクを解
くために生成される
これら4つの質問に対する答えを裏付ける
形で、複数の実験が行われている
3

4. 背景：生物のもつ学習能力
• 過去の研究からハムスターや狼、チンパンジーやバッタ等の生物は、過去
の経験から、自身のいる環境の空間表現を獲得するといわれている.
• 目の見えない環境のmole-rat も同様に空間表現を獲得し、近道をすると
いった行動をみせる
AIによるagentも同様に、空間表現(地図のようなもの)を獲得する
ことで、探索タスクを解いているのだろうか？？

5. 背景：PPO
• 方策勾配法は、パラメータの更新時に更新しすぎてしまう場合がある.
𝐿𝑃𝐺
𝜃 = 𝐸𝑡[𝑙𝑜𝑔𝜋𝜃(𝑎𝑡|𝑠𝑡)𝐴𝑡]
• PPOは更新の度合いをclipにより調整する
𝐿𝐶𝐿𝐼𝑃
𝜃 = 𝐸𝑡[min(𝑟𝑡 𝜃 𝐴𝑡, 𝑐𝑙𝑖𝑝(𝑟𝑡 𝜃 , 1 − 𝜖, 1 + 𝜖)𝐴𝑡)]
図出典：Federated Reinforcement Learning for Training Control Policies on Multiple IoT Devices
5

6. 本研究：タスクの概要
• PointGoal Navigation：agentが未知の環境におい
て、与えられた相対位置をゴールとするタスク
• Agentの得られる情報は、自身のいる座標と方向
のみ(rgb画像やdepth画像は与えられない)
• 𝑜𝑡 = 𝑥𝑔, 𝑦𝑔, 𝑧𝑔, 𝑥𝑡, 𝑦𝑡, 𝑧𝑡, 𝜃𝑡 ,
ℎ𝑡, 𝑐𝑡 = 𝐿𝑆𝑇𝑀(𝑜𝑡, (ℎ𝑡−1, 𝑐𝑡−1))
6

7. 本研究：モデルの構造
• Agentが時刻tに観測した情報𝑜𝑡と過去の情報を圧縮したℎ𝑡−1から、行動aを出力.
• agentの行動に応じて報酬𝑟𝑡が与えられるので、これが最大となるような方策を学習する
• 512次元, 3層のLSTMで構成されている.
• 各timestep毎に、lstmのoutputは全結合層を介して、agentの行動と価値関数を出力する
7

8. 本研究：タスクの実験結果
• タスクの難易度について、「Success」と「SPL」の2つの評価軸で調査
• SPLは最短ルートと比較して、どれくらい効率的にゴールに到達できたか
を表す
8

9. 未知の環境でagentが辿るルート
• 結果：Agentが壁沿いに進む様子が観
測された
• agentは視覚に関する情報を持ってい
ない設定のため、障害物を見つけるに
は壁にぶつかるしかない
• 唯一与えられる自身の位置に関する情
報は、goalとの相対位置しか与えられ
ていない
9

10. Agentは衝突に関する記憶を学習するのか
• LSTMの隠れ層 (ℎ𝑡, 𝑐𝑡) から、一つ前のtimestepで取った行動𝑎𝑡−1によって、衝突したかどうかを予測
• LSTMの隠れ層 (ℎ𝑡, 𝑐𝑡) を線形分類器に通して分類⇒98%の精度
• 次にl1正則化を加えて、線形分類器を再学習したのち、次元を削除したところ、上図のような4つのク
ラスターがみられた（衝突、前進、右回転、左回転に対応）
10

11. 過去何ステップの情報を記憶するのか
• 各時刻tについて、 [𝑜𝑡−𝑘+1, … , 𝑜𝑡] の観測情報を基に、
LSTMの内部状態を構築
• ℎ𝑖, 𝑐𝑖 = LSTM 𝑜𝑖, ℎ𝑖−1, 𝑐𝑖−1 ,
ℎ𝑡−𝑘, 𝑐𝑡−𝑘 = (0,0)
で与えられる.
• 横軸は過去何ステップの情報を見たか(k)を表す.
• もし、短いタイムステップしか記憶しないのであ
れば、成功率はすぐに収束するはず(だけどしない)
11

12. 記憶が近道に影響を及ぼす
• S→Tのタスクを達成後、最終タイムステップの隠れ層を用いて、再度同じタスクを行う
• Agentが壁沿いを動く(青線)のに対し、probeはより効率的な動き(紫線)をする
• Agentの行動により、空間的表現を獲得しているのではないか(それが近道につながる)
12

13. 地図の生成
• LSTMの最終層(ℎ𝑇, 𝑐𝑇)を使って、探索タスクに用いた環境のマップを予測
• 事前学習を行ったagentと行っていないagentの予測精度を比較
• 探索時に通っていない場所を、壁が平行であるといった仮定のもと予測している
とみられる
13

14. 記憶しやすい情報としにくい情報
• ある時刻tの隠れ状態(ℎ𝑡, 𝑐𝑡)を用いて、k step前のagentの位置を予測する
• 𝑠𝑡−𝑘 = 𝑓𝑘 ℎ𝑡, 𝑐𝑡 + 𝑠𝑡, 𝑠𝑡+𝑘 − 𝑠𝑡+𝑘 / 𝑠𝑡+𝑘 − 𝑠𝑡 を最小化するようなfを学習する
• 回り道をした分の情報(Excursion)は、予測しずらい(忘れやすい)ことがいえる
14

15. まとめと感想
• 目の見えないagentは、未知の環境において、壁沿いを動くという行動をみせた
• また、agentが未知の環境において、直接探索していない地点を予測したり、同じタスク
を行うと近道をすることができることから、地図に相当するものを形成していると考え
られる
• 今回のモデルに限らず、得られたモデルの解析方法として、参考になるところが多いと
思った
• 特定の生物とより似た条件をagentに付与して、学習過程の解析を見るという方向性で
もっと色々できるようになったら面白そう
15