越野环境中结合几何与预测代价的混合模仿规划
机器人学
2022-10-11 v1
摘要
通过学习方法 occupancy 与度量地图来解决开放世界越野导航任务的几何方法具有良好的泛化能力，但在违背其假设的室外环境（如高草）中可能失效。基于学习的方法可直接从原始观测中学习无碰撞行为，但难以与标准基于几何的流水线集成。这造成了一种不幸的冲突——要么使用学习而失去良好理解的几何导航组件，要么不使用学习而倾向于大量手工调参的基于几何的代价地图。在本工作中，我们拒绝这种二分法，通过设计学习与非学习组件使其能以自监督方式有效结合。两个组件共同贡献于规划准则：学习组件提供预测的可通行性作为奖励，而几何组件提供障碍物代价信息。我们在分布内与分布外环境中实例化并比较评估了我们的系统，表明该方法从学习与几何组件中继承了互补的收益，并显著优于其中任一组件。我们的结果视频托管于 https://sites.google.com/view/hybrid-imitative-planning
引用
@article{arxiv.2111.10948,
title = {Hybrid Imitative Planning with Geometric and Predictive Costs in Off-road Environments},
author = {Nitish Dashora and Daniel Shin and Dhruv Shah and Henry Leopold and David Fan and Ali Agha-Mohammadi and Nicholas Rhinehart and Sergey Levine},
journal= {arXiv preprint arXiv:2111.10948},
year = {2022}
}