部分可观测条件下的深度视觉导航

机器人如何能在丰富多样的环境中成功导航，无论是室内还是室外、沿办公室走廊或草地小径、在平地或楼梯上？为此，本工作旨在解决三个挑战：(i) 复杂的视觉观测，(ii) 局部视觉感知的部分可观测性，以及 (iii) 同时受局部环境与全局导航目标约束的多模态机器人行为。我们提出通过模仿学习训练一个神经网络（NN）控制器用于局部导航。为应对复杂视觉观测，我们通过 CNN 提取多尺度空间表征。为应对部分可观测性，我们在时间上聚合多尺度空间信息并将其编码于 LSTM 中。为学习多模态行为，我们为每个行为模式使用独立的记忆模块。重要的是，我们将多个神经网络模块集成到一个统一控制器中，该控制器在复杂、部分可观测环境的视觉导航中实现了鲁棒性能。我们在四足 Spot 机器人上实现了该控制器，并在三个具有挑战性的任务上进行了评估：对抗性行人避让、盲区障碍物避让和乘坐电梯。实验表明，所提出的 NN 架构显著提升了导航性能。