伴随着计算机技术的高速发展,人工智能技术在生活中的各个方面都有了越来越多的应用,智能体视觉导航也成为了研究热点。但目前视觉导航用到的深度强化学习技术所面临的难收敛、低泛化和稳定性差等问题,仍未得到很好的解决,通过研究发现作为机器学习方法之一的迁移学习所具有的特性恰好可以提高导航的迁移性,因此将迁移学习运用到视觉导航中将会是提高导航效率的有效方法。随着导航的继续发展,导航的运用必然更为广泛,因此,进行导航迁移方法的相关研究,符合实际需求,具有重大的研究意义。本文围绕迁移学习在自适应视觉导航中的方法展开研究,并针对不同复杂程度的虚拟环境引入了不同的迁移学习方法,使智能体能够在面对新环境或新目标时快速完成指定任务。通过分析迁移学习在视觉导航中的国内外研究现状和迁移学习在视觉导航中的应用,本文提出了新的导航迁移学习方法,主要工作如下:1.针对简单的无家具室内虚拟导航环境,本文提出一种基于注意力机制的导航迁移方法,实现智能体在不同虚拟环境中的快速迁移导航。首先,为了对提取的特征进行筛选,突出不同特征的重要程度,重新分配每个区域的特征权重,对已有的迁移模型进行了改进,引入了注意力机制网络。然后,根据智能体观察的图像提取图像特征,生成辅助信息,再通过Actor-Critic网络制定策略,执行动作,并根据策略梯度理论,讨论了加入注意力机制网络后的损失函数。最后,在Vi ZDoom中构建了多个室内虚拟环境,在虚拟环境中评估了我们的模型,做了对比实验。实验结果表明,基于注意力机制的指导式导航迁移方法具有更快的收敛速度,并且在新环境中实现快速迁移。2.针对复杂的有家具室内虚拟导航环境,本文提出一种基于深度关联对齐的导航迁移学习方法。模型中除当前的状态信息外还增加了目标图像作为辅助信息,通过网络层提取图片特征,引入了深度关联对齐损失,对源域和目标域进行线性变换来将它们各自的二阶统计量对齐,平衡数据域和源域之间的深度特征。然后,将结合的信息输入到异步优势Actor-Critic框架中,智能体根据当前状态和视觉图像做出决策,并在设计损失函数时,设置了参数约束来限制深度关联对齐的工作,进而对原始的网络模型进行影响。最后,在复杂虚拟环境中进行实验,并设计对比实验,验证了我们的迁移方法可以更好的实现快速迁移。