通过自监督环境合成学习真实世界自主导航
机器人学
2022-10-11 v1
摘要
机器学习方法近来以数据驱动的方式实现了移动机器人的自主导航。由于大多数现有的基于学习的导航系统使用人工创建的训练环境中生成的数据进行训练，在大规模真实世界部署期间，机器人不可避免地会遇到超出训练分布的未见场景，从而导致较差的真实世界性能。另一方面，直接在真实世界中训练通常不安全且低效。为解决此问题，我们提出自监督环境合成（SES）：在满足安全性和效率要求的真实世界部署之后，自主移动机器人可利用真实世界部署的经验，重建导航场景，并在仿真中合成具有代表性的训练环境。在这些合成环境中训练可提升未来的真实世界性能。SES 在合成代表性仿真环境及改善真实世界导航性能方面的有效性，通过在高保真、逼真模拟器中的大规模部署以及物理机器人上的小规模部署进行了评估。
引用
@article{arxiv.2210.04852,
title = {Learning Real-world Autonomous Navigation by Self-Supervised Environment Synthesis},
author = {Zifan Xu and Anirudh Nair and Xuesu Xiao and Peter Stone},
journal= {arXiv preprint arXiv:2210.04852},
year = {2022}
}