CE-Nav：基于流引导的跨本体局部导航强化学习细化
机器人学
2025-10-24 v2
摘要
跨不同机器人形态泛化局部导航策略是关键挑战。进展常受制于需要昂贵且特定于本体的数据、规划与控制的紧密耦合，以及确定性模型难以捕捉多模态决策（如左转或右转）的“灾难性平均”问题。我们引入 CE-Nav，一种新型两阶段（模仿学习后强化学习）框架，系统性地将普适几何推理与特定于本体的动态适应性解耦。首先，我们使用模仿学习训练一个本体无关的通用专家——名为 VelFlow 的条件正规化流模型，学习从大规模经典规划器生成的数据中获得的全动作分布，完全规避真实机器人数据，解决多模态问题。其次，针对新机器人，我们冻结该专家，将其作为引导先验，用于在线强化学习训练一个轻量级、动态感知的细化器。该细化器仅通过最小环境交互，即可快速学习补偿目标机器人的特定动态与控制器缺陷。广泛的 quadrupeds、bipeds 和 quadrotors 实验表明，CE-Nav 在实现最先进性能的同时，大幅降低了适应成本。成功的实际部署进一步验证了该方法作为高效可扩展的通用导航系统构建工具。代码已公开于 https://github.com/amap-cvlab/CE-Nav。
引用
@article{arxiv.2509.23203,
title = {CE-Nav: Flow-Guided Reinforcement Refinement for Cross-Embodiment Local Navigation},
author = {Kai Yang and Tianlin Zhang and Zhengbo Wang and Zedong Chu and Xiaolong Wu and Yang Cai and Mu Xu},
journal= {arXiv preprint arXiv:2509.23203},
year = {2025}
}
备注
Project Page: https://ce-nav.github.io/. Code is available at https://github.com/amap-cvlab/CE-Nav