AnyNav：面向离岗导航的视觉神经符号摩擦学习
机器人学
2025-12-23 v2
摘要
离岗导航是一项关键任务，涵盖从太空探索到灾后应急等广泛的野外机器人应用领域。然而，这一领域仍面临结构不一的环境和复杂的地形-车辆相互作用的挑战。传统的基于物理的模型方法难以准确捕捉这些相互作用所涉及的非线性动力学，而纯数据驱动的方法常常过度拟合特定的运动模式、车辆几何或平台，从而限制了其在多样化真实场景中的泛化能力。为此，我们引入了 AnyNav，一种基于视觉的摩擦估计与导航框架，基于神经符号原理。我们的方案将视觉感知的神经网络与用于推理地形-车辆动力学的符号物理模型相结合。为在真实场景中实现自监督学习，我们采用指令学习范式，利用基于物理的优化训练摩擦网络。通过显式融入物理推理，显著提升了跨地形、车辆类型和运行条件的泛化能力。基于预测的摩擦系数，我们进一步开发了能够生成物理可行、时间高效路径及相应速度轮廓的物理信息导航系统。我们展示了 AnyNav 能在仿真中平滑迁移到真实机器人平台，展现出对不同四轮车辆和多样化离岗环境的强鲁棒性。
引用
@article{arxiv.2501.12654,
title = {AnyNav: Visual Neuro-Symbolic Friction Learning for Off-road Navigation},
author = {Taimeng Fu and Zitong Zhan and Zhipeng Zhao and Yi Du and Shaoshu Su and Xiao Lin and Ehsan Tarkesh Esfahani and Karthik Dantu and Souma Chowdhury and Chen Wang},
journal= {arXiv preprint arXiv:2501.12654},
year = {2025}
}