GRL-SNAM：基于路径微分哈密顿量的几何强化学习在未知环境中的同步导航与制图
机器学习
2026-01-05 v1 机器人学
摘要
我们提出了 GRL-SNAM，一种用于未知环境中同步导航与制图(SNAM)的几何强化学习框架。SNAM问题具有挑战性，因为需要设计多个智能体的层次或联合策略，以控制真实机器人在无地图环境中前往目标——即该环境的地图不可先验获取，而需通过传感器获取。传感器由路径学习者(导航者)通过主动查询响应从感知智能体处获取，沿运动路径。GRL-SNAM不同于先验导航算法和其他强化学习方法，完全依赖于局部感知观察，而不构建全局地图。我们将路径导航和制图建模为受控哈密顿量优化的动态最短路径搜索与发现过程：感知输入被转化为编码可达性、障碍屏障和变形约束的局部能量景观，而感知、规划和重新配置的策略通过更新哈密顿量来分阶段演化。一个简化的哈密顿量作为自适应评分函数，更新动能/势能项，嵌入屏障约束，并持续细化轨迹以响应新的局部信息。我们在两种不同的2D导航任务上对GRL-SNAM进行评估。在相同的分阶段感知约束下与局部反应基线和全局策略学习参考进行比较，结果显示其保留了安全距离，能够推广到未见的布局，并表明通过更新哈密顿量实现的几何RL学习能够通过局部能量细化而非广泛全局制图，实现高质量导航。代码已在 Github 上公开。
引用
@article{arxiv.2601.00116,
title = {GRL-SNAM: Geometric Reinforcement Learning with Path Differential Hamiltonians for Simultaneous Navigation and Mapping in Unknown Environments},
author = {Aditya Sai Ellendula and Yi Wang and Minh Nguyen and Chandrajit Bajaj},
journal= {arXiv preprint arXiv:2601.00116},
year = {2026}
}