DreamFlow：基于条件流匹配的潜在空间中的局部导航超越观测
机器人学
2026-03-18 v2
摘要
在拥挤环境中的局部导航常面临密集障碍和频繁局部最小值的问题。传统局部规划器依赖启发式方法，容易失败，而基于深度强化学习（DRL）的方法提供了适应性，但受限于有限的 onboard 传感器。这导致导航失败，因为机器人无法感知视野之外的结构。在本文中，我们提出DreamFlow，一个基于DRL的局部导航框架，通过条件流匹配（CFM）扩展机器人的感知视野。所提出的基于CFM的预测模块学习了局部高度图潜在表征与更广空间表征之间的条件概率映射，条件由导航上下文决定。这使导航策略能够预测未观察到的环境特征，主动避免潜在的局部最小值。实验结果表明，DreamFlow在潜在预测精度和仿真中的导航性能方面优于现有方法。该方法进一步在拥挤的真实环境中验证了 quadrupedal 机器人。项目页面地址为https://dreamflow-icra.github.io
引用
@article{arxiv.2603.02976,
title = {DreamFlow: Local Navigation Beyond Observation via Conditional Flow Matching in the Latent Space},
author = {Jiwon Park and Dongkyu Lee and I Made Aswin Nahrendra and Jaeyoung Lim and Hyun Myung},
journal= {arXiv preprint arXiv:2603.02976},
year = {2026}
}