在真实环境中学习高效且精确的导航
机器人学
2024-01-26 v1 计算机视觉与模式识别
摘要
在地面机器人自主导航的背景下，为智能体动力学和感知创建逼真模型是机器人学文献和商业应用中的普遍做法，这些模型被用于基于模型的控制和/或定位与建图。另一方面，较新的具身人工智能文献则侧重于在Habitat或AI-Thor等仿真器中训练的模块化或端到端智能体，其重点在于照片级逼真的渲染和场景多样性，但高保真度的机器人运动则被置于次要地位。由此产生的仿真到现实的差距严重影响了训练模型向真实机器人平台的迁移。在这项工作中，我们探索了在仿真环境中对智能体进行端到端训练，其设置旨在最小化感知和驱动两方面的仿真到现实差距。我们的智能体直接预测（离散化的）速度命令，这些命令通过真实机器人中的闭环控制得以维持。真实机器人的行为（包括底层控制器）被识别并在修改后的Habitat仿真器中进行模拟。里程计和定位的噪声模型进一步有助于缩小仿真到现实的差距。我们在真实导航场景中进行评估，探索了不同的定位和目标点计算方法，并报告了与先前工作相比在性能和鲁棒性方面的显著提升。
引用
@article{arxiv.2401.14349,
title = {Learning to navigate efficiently and precisely in real environments},
author = {Guillaume Bono and Hervé Poirier and Leonid Antsfeld and Gianluca Monaci and Boris Chidlovskii and Christian Wolf},
journal= {arXiv preprint arXiv:2401.14349},
year = {2024}
}