从敏捷地面到空中导航：从习得幻觉中学习
机器人学
2021-08-24 v1
摘要
本文提出一种自监督的从习得幻觉中学习（LfLH）方法，为地面与空中机器人学习快速且反应式的运动规划器，以在高度受限环境中导航。近期的从幻觉中学习（LfH）自主导航范式通过在完全安全的无障碍空间中随机探索执行运动规划，使用手工设计的幻觉技术向机器人感知添加虚构障碍，进而学习在真实、高度受限且危险空间中的运动规划器。然而，当前手工设计的幻觉技术需针对特定机器人类型（如差速驱动地面车辆）定制，并重度依赖特定假设（如短规划时域）的近似。本工作中，LfLH 不以人工设计幻觉函数，而是以自监督方式学习幻觉化障碍配置，使开放空间随机探索所得运动规划为最优。LfLH 对不同机器人类型具有鲁棒性，且不对规划时域作假设。在地面与空中机器人的仿真及实体环境中评估，LfLH 优于或与先前幻觉方法以及基于采样与优化的经典方法性能相当。
引用
@article{arxiv.2108.09793,
title = {From Agile Ground to Aerial Navigation: Learning from Learned Hallucination},
author = {Zizhao Wang and Xuesu Xiao and Alexander J Nettekoven and Kadhiravan Umasankar and Anika Singh and Sriram Bommakanti and Ufuk Topcu and Peter Stone},
journal= {arXiv preprint arXiv:2108.09793},
year = {2021}
}
备注
6 pages, 5 figures, accepted in IROS 2021