面向指南定位的LoGoPlanner: 度量感知可视几何导航策略

在非结构化环境中进行轨迹规划是移动机器人所必需且具有挑战性的能力。传统的模块化管道由于感知、定位、映射和规划模块之间存在延迟和级联误差而受限。最近的端到端学习方法直接将原始视觉观察映射到控制信号或轨迹，为开放世界环境中的更好性能和效率提供了可能。然而，大多数先前的端到端方法仍依赖于单独的定位模块，这些模块依赖于准确的传感器外参校准来进行自状态估计，从而限制了跨机体和环境的泛化能力。我们引入LoGoPlanner，这是一个定位 grounding，端到端的导航框架，旨在解决这些限制：（1）精细调谐长程视觉几何 backbone 以以绝对度量尺度ground predictions，从而为准确的定位提供隐式状态估计；（2）从历史观察中重建周围场景几何，以提供稠密、细粒度的环境感知以实现可靠的障碍规避；（3）将 policy 条件于由前述辅助任务 bootstrapped的隐式几何，从而减少误差传播。我们在仿真和真实世界环境中评估了LoGoPlanner，其中其完全端到端的设计在累计误差方面显著优于oracle-localization基线，并通过度量感知几何记忆增强规划一致性和障碍规避，实现了超过27.3%的改进，并在不同机体和环境中表现出强大的泛化能力。该代码和模型已公开发布于 https://steinate.github.io/logoplanner.github.io。