GRaD-Nav：基于高斯辐射场与可微分动力学高效学习视觉无人机导航
机器人学
2025-07-31 v3
摘要
自主视觉导航是机器人自主性的基本要素。强化学习（RL）提供了一种有前景的策略训练范式。然而现有的 RL 方法存在样本复杂度高、仿真到现实迁移效果差以及对训练期间未见过的导航场景运行时适应性有限的问题。这些问题对无人机来说尤其具有挑战性，因为无人机具有复杂的非线性和不稳定动力学，以及控制与感知之间的强动态耦合。在本文中，我们提出了一种新颖的框架，将 3D 高斯溅射（3DGS）与可微分深度强化学习（DDRL）集成，以训练基于视觉的无人机导航策略。通过利用高保真 3D 场景表示和可微分仿真，我们的方法提高了样本效率和仿真到现实迁移效果。此外，我们引入了一个上下文辅助估计网络（CENet）以在运行时适应环境变化。此外，通过对不同周围环境的混合进行课程训练，我们实现了任务内泛化，即解决训练期间未见过的任务新实例的能力。无人机硬件实验证明了我们的方法与最先进的 RL 方法相比具有高训练效率，无需微调即可实现零样本仿真到现实迁移以部署真实机器人，以及在同一任务类中适应新实例的能力（例如，在具有不同环境干扰的不同位置飞行穿过一个门）。我们的仿真器和训练框架已开源：https://github.com/Qianzhong-Chen/grad_nav。
引用
@article{arxiv.2503.03984,
title = {GRaD-Nav: Efficiently Learning Visual Drone Navigation with Gaussian Radiance Fields and Differentiable Dynamics},
author = {Qianzhong Chen and Jiankai Sun and Naixiang Gao and JunEn Low and Timothy Chen and Mac Schwager},
journal= {arXiv preprint arXiv:2503.03984},
year = {2025}
}