通过基于模型的重标注实现无处不在的驾驶学习

开发广泛可泛化的视觉导航策略对于机器人构成重大挑战，主要受限于大规模、多样化训练数据的可用性。尽管研究人员收集的精选数据集提供了高质量，但其有限的规模限制了策略的泛化能力。为克服这一限制，我们探索利用大量被动收集的数据源，包括来自众所云端遥操作数据和未标记YouTube视频的大量数据，尽管可能存在较低质量或缺失动作标签。我们提出基于模型的重标注（MBRA），一种框架，利用学习的短视程、基于模型的专家模型来重新标记或生成这些被动数据集的高质量动作。该重新标记的数据然后被蒸馏到LogoNav，一个以视觉目标或GPS坐标为条件的长程导航策略。我们证明，LogoNav使用MBRA处理后的数据训练可实现最先进的性能，使其能够在之前未见过的室内和户外环境中导航超过300米。我们进行的广泛现实评估，跨越三个大陆六个城市的机器人编队（包括四足机器人），验证了该策略的泛化能力和在拥挤环境中行人存在的情况下的有效导航能力。