DRL-TH：联合利用时序图注意力与层次融合实现拥挤环境下的无人地面车辆导航
机器人学
2026-01-01 v1 人工智能
摘要
深度强化学习 (DRL) 方法已展现出在拥挤环境中实现无人地面车辆 (UGV) 自主导航与避障的潜力。现有方法大多依赖单帧观测，并采用简单拼接进行多模态融合，这限制了它们捕捉时序上下文的能力，并阻碍了动态适应性。为解决这些挑战，我们提出了一种基于 DRL 的导航框架 DRL-TH，该框架利用时序图注意力和层次图池化来整合历史观测并自适应地融合多模态信息。具体而言，我们引入了一个时序引导的图注意力网络 (TG-GAT)，它将时序权重融入注意力分数，以捕捉连续帧之间的相关性，从而实现对场景演变的隐式估计。此外，我们设计了一个图层次抽象模块 (GHAM)，该模块应用层次池化和可学习的加权融合来动态整合 RGB 和 LiDAR 特征，实现跨多个尺度的平衡表示。大量实验表明，我们的 DRL-TH 在各种拥挤环境中均优于现有方法。我们还在真实的 UGV 上实现了 DRL-TH 控制策略，并展示了其在真实世界场景中的良好表现。
引用
@article{arxiv.2512.24284,
title = {DRL-TH: Jointly Utilizing Temporal Graph Attention and Hierarchical Fusion for UGV Navigation in Crowded Environments},
author = {Ruitong Li and Lin Zhang and Yuenan Zhao and Chengxin Liu and Ran Song and Wei Zhang},
journal= {arXiv preprint arXiv:2512.24284},
year = {2026}
}