EffiTune：诊断与缓解机器人导航系统中参数调节器的训练低效

机器人导航系统对于配送服务、医院物流和仓库管理等各种现实应用至关重要。尽管经典导航方法提供了可解释性，但它们严重依赖专家的手动调节，限制了其适应性。相反，纯粹基于学习的方法提供了适应性，但往往导致不稳定和不可预测的机器人行为。最近引入的参数调节器旨在通过将数据驱动的适应性整合到经典导航框架中来平衡这些方法。然而，当前的参数调节过程存在训练低效和冗余采样的问题，且环境中的关键区域在训练数据中往往代表性不足。在本文中，我们提出了 EffiTune，这是一个旨在诊断和缓解机器人导航系统中参数调节器训练低效的新颖框架。EffiTune 首先执行机器人行为引导的诊断，以精确定位关键瓶颈和代表性不足的区域。然后，它采用有针对性的上采样策略，用关键样本丰富训练数据集，显著减少冗余并提高训练效率。我们的全面评估表明，EffiTune 在导航性能上实现了超过 13.5% 的提升，增强了在分布外场景中的鲁棒性，并在相同的计算预算下实现了 4 倍的训练效率提升。