面向动态环境导航的幻觉关键点学习
机器人学
2025-10-01 v1
摘要
由于可能的障碍物轨迹空间巨大，生成大规模且多样化的障碍物数据集以学习动态障碍物环境中的运动规划具有挑战性。受基于幻觉的数据合成方法启发，我们提出了幻觉关键点学习（LfH-CP），这是一种自监督框架，基于现有的最优运动规划生成丰富的动态障碍物数据集，无需昂贵的专家演示或试错探索。LfH-CP 将幻觉分解为两个阶段：首先识别障碍物必须在何时何地出现才能产生最优运动规划，即关键点；然后程序化地生成通过这些点且避免碰撞的多样化轨迹。这种分解避免了模式崩溃等生成失败问题，并确保了对多样化动态行为的覆盖。我们进一步引入了一个多样性度量指标来量化数据集的丰富度，并表明 LfH-CP 生成的训练数据比现有基线方法丰富得多。仿真实验表明，在 LfH-CP 数据集上训练的规划器相比先前的幻觉方法具有更高的成功率。
引用
@article{arxiv.2509.26513,
title = {Learning from Hallucinating Critical Points for Navigation in Dynamic Environments},
author = {Saad Abdul Ghani and Kameron Lee and Xuesu Xiao},
journal= {arXiv preprint arXiv:2509.26513},
year = {2025}
}