通过幻觉学习与清醒部署实现敏捷机器人导航
机器人学
2021-03-09 v2
摘要
幻觉学习（Learning from Hallucination, LfH）是近期一种用于自主导航的机器学习范式，其使用在完全安全环境中收集的训练数据，并添加大量虚拟障碍物以使环境受到密集约束，从而学习即使在高度约束（更危险）空间中也能产生可行导航的规划器。然而，LfH在部署时需要幻觉化机器人感知以匹配幻觉化训练数据，这导致有时需要不可行的先验知识，并倾向于生成非常保守的规划。在本工作中，我们提出一种不需要运行时幻觉化的新LfH范式——我们称之为“清醒部署”的特性——因此能够适应更现实的导航场景。这种新颖的幻觉学习与清醒部署（Hallucinated Learning and Sober Deployment, HLSD）范式在包含300个具有广泛难度级别的模拟导航环境以及真实世界中的基准测试平台上进行了测试。在大多数情况下，HLSD优于原始LfH方法和经典导航规划器。
引用
@article{arxiv.2010.08098,
title = {Agile Robot Navigation through Hallucinated Learning and Sober Deployment},
author = {Xuesu Xiao and Bo Liu and Peter Stone},
journal= {arXiv preprint arXiv:2010.08098},
year = {2021}
}