GNM：一种可驱动任意机器人的通用导航模型

学习为基于视觉的导航提供了强有力的工具，但基于学习的策略的能力受限于有限的训练数据。如果我们能够结合所有可用来源的数据，包括多种类型的机器人，就可以训练更强大的导航模型。在本文中，我们研究如何在一个从许多不同但结构相似的机器人上获得的数据上训练用于基于视觉导航的通用目标条件模型，并实现跨环境与跨本体体的广泛泛化。我们分析了跨机器人有效数据共享的必要设计决策，包括时间上下文与标准化动作空间的使用，并证明从异构数据集训练的 omnipolicy（全能策略）优于在任何单一数据集上训练的策略。我们整理了来自 6 种不同机器人的 60 小时导航轨迹，并将训练好的 GNM 部署到一系列新机器人上，包括一个欠驱动四旋翼。我们发现，在多样化数据上训练可增强对感知与执行退化的鲁棒性。使用具有广泛泛化能力的预训练导航模型可以为未来新型机器人上的应用提供引导，我们希望 GNM 代表了朝该方向迈出的一步。有关数据集、代码和视频的更多信息，请查看我们的项目页面 https://sites.google.com/view/drive-any-robot。