面向视觉导航的高效与可泛化环境理解
机器人学
2025-06-19 v1 系统与控制
系统与控制
摘要
视觉导航是具身 AI 中的核心任务，使代理人能够导航复杂环境以达到给定目标。在各种导航任务中，许多任务需要建模来自前序时间步骤累积的序列数据。虽然现有方法表现良好，但它们通常会同时处理所有历史观察，忽视数据内部关联结构，这可能限制了进一步提高任务性能的潜力。我们通过将导航任务的独特特征从因果学角度进行探讨，引入因果框架以突出常规序列方法的局限性。建立在这些见解基础上，我们提出了具因果感知的导航(Causality-Aware Navigation, CAN)，该方法引入了因果理解模块以增强代理人的环境理解能力。经验评估显示，我们的方法在各种任务和仿真环境中 consistently 优于基线方法。广泛的消融研究将这些收益归因于因果理解模块，该模块在强化学习和监督学习设置中均能有效泛化且无需额外计算开销。
引用
@article{arxiv.2506.15376,
title = {Comparison of Innovative Strategies for the Coverage Problem: Path Planning, Search Optimization, and Applications in Underwater Robotics},
author = {Ahmed Ibrahim and Francisco F. C. Rego and Éric Busvelle},
journal= {arXiv preprint arXiv:2506.15376},
year = {2025}
}