论文笔记1--Building Generallizable agents with a realistic and rich 3D environment

摘要

教代理在一个看不见的3D环境中导航是一件非常具有挑战性的工作。机器人需要对微小变化（如颜色，材质，对象的改变）和差异大的变化（环境布局的改变）具有鲁棒性。提出House3D，House 3D特点：丰富/可扩展/高效，其中包含45622人类设计的3D场景可视化的真实场景，从单个房间到多层楼房，包括标有表亲的3D物体，材质，布局。基于SUNCG数据库。

简介

    深度强化学习在游戏的表现由于人类。通过各种强化学习框架，可以学习不同的智能，包括

1. 3D理解（DeepMind Lab（BeaTet等人，2016）和马尔默（约翰逊等人，2016））

2. 实时性战略决策（TorchCraft（SynEvE等人，2016）和ELF（田等人，2017））

3. 快速反应（AtARI（BeleMa等人，2013））

4. 长期规划（围棋，国际象棋）

5. 语言和通信（PARLAI（Miller等人，2017）和（DAS等人，2017B））。

    强化学习一个突出的问题是可推广行。通常，在特定环境下为特定任务训练的代理，在新的环境中不能很好的执行。

1.像素级将变化应用于观测信号，以提高该代理对未知环境的鲁棒性（BeTaTet等人，2016；希金斯等人，2017；托宾等人，2017）。

2 具有不同难度水平的参数化环境被用来产生场景变化，但具有相似的视觉观察Paak等。

3 转移学习被应用到类似的任务，但不同的奖励费恩等。

提出House3D

一个虚拟的三维环境house3d设备齐全的室内场景，由成千上万不同的场景类型进行设置，与对象的布局。