面向现场部署的基于基础模型的空中与地面机器人：挑战与机遇
机器人学
2025-05-15 v1 人工智能
摘要
将基础模型 (FMs) 集成到机器人领域已使机器人能够理解自然语言并对其环境中的语义进行推理。然而，现有的 FM-enabled 机器人主要 operate in closed-world 设置，即机器人被赋予完整的先验地图或对其工作空间拥有完整的视图。本文聚焦于将 FM-enabled 机器人部署到现场， 其中任务往往需要机器人在大规模和非结构化环境中运行。为了有效完成这些任务， 机器人必须主动探索其环境、 导航障碍物丰富的地形、 处理意外的传感器输入， 并在计算受限的条件下运行。我们讨论了 SPINE 项目在现场机器人设置中的最新部署情况。据我们所知， 本文首次展示了在非结构化环境中进行大规模 LLM-enabled 机器人规划， 涉及数公里的任务。SPINE 对特定的 LLM 模型不敏感， 这使我们能够提炼能够在尺寸、重量和功耗 (SWaP) 受限的平台上运行的小型语言模型。通过初步的模型蒸馏工作， 我们随后展示了首个基于 on-device 语言模型的语言驱动 UAV 规划器。我们在论文结尾提出了若干具有前景的未来研究方向。
引用
@article{arxiv.2505.09477,
title = {Deploying Foundation Model-Enabled Air and Ground Robots in the Field: Challenges and Opportunities},
author = {Zachary Ravichandran and Fernando Cladera and Jason Hughes and Varun Murali and M. Ani Hsieh and George J. Pappas and Camillo J. Taylor and Vijay Kumar},
journal= {arXiv preprint arXiv:2505.09477},
year = {2025}
}
备注
Accepted to the IEEE ICRA Workshop on Field Robotics 2025