CREStE：基于互联网规模先验与反事实引导的可扩展无地图导航
机器人学
2025-06-27 v2 人工智能
计算机视觉与模式识别
摘要
我们提出了 CREStE，一个可扩展的基于学习的无地图导航框架，旨在解决户外城市导航中的开放世界泛化与鲁棒性挑战。实现这一目标的关键在于学习能够泛化到开放集因素（如新语义类别、地形、动态实体）的感知表示，以及从有限演示中推断与专家对齐的导航代价。CREStE 解决了上述两个问题，引入了 1）用于学习开放集结构化鸟瞰图感知表示的视觉基础模型（VFM）蒸馏目标，以及 2）反事实逆强化学习（IRL），一种利用反事实轨迹演示来推理推断导航代价时最重要线索的新型主动学习形式。我们在城市、越野和住宅等多种环境中的公里级无地图导航任务上评估了 CREStE，发现其以 70% 更少的人工干预超越了所有现有方法，包括在一个未见环境中仅用 1 次干预完成的 2 公里任务，展示了其在长时序无地图导航中的鲁棒性和有效性。相关视频和补充材料可在项目页面获取：https://amrl.cs.utexas.edu/creste
引用
@article{arxiv.2503.03921,
title = {CREStE: Scalable Mapless Navigation with Internet Scale Priors and Counterfactual Guidance},
author = {Arthur Zhang and Harshit Sikchi and Amy Zhang and Joydeep Biswas},
journal= {arXiv preprint arXiv:2503.03921},
year = {2025}
}
备注
18 pages, 10 figures, 5 tables