面向真实世界的长距离神经导航策略
机器人学
2019-08-30 v2 计算机视觉与模式识别
摘要
基于学习的神经网络策略在机器人导航中展现出了可喜的成果。然而，由于需要大量的仿真训练，这些方法大多难以直接应用于真实机器人。这些仿真缺乏真实世界的视觉与动力学特性，使得在真实机器人上部署变得不可行。我们提出了一种新颖的基于神经网络的策略 NavNet，它能够轻松部署在真实机器人上。它由两个子策略组成——一个能够理解真实图像并以高级命令执行长距离规划的高级策略；一个能够以安全稳健的方式将长距离规划转化为特定平台上低级命令的低级策略。对于每次新部署，高级策略都在易于获取的环境扫描数据上进行训练，以对其视觉与布局进行建模。我们详述了此类环境的设计以及如何利用它来训练最终的导航策略。此外，我们展示了一种学习到的低级策略。我们将该模型部署在一栋大型办公建筑中并进行了广泛测试，在长距离导航任务中取得了 的成功率，并在相同设置下优于基于 SLAM 的模型。
引用
@article{arxiv.1903.09870,
title = {Long Range Neural Navigation Policies for the Real World},
author = {Ayzaan Wahid and Alexander Toshev and Marek Fiser and Tsang-Wei Edward Lee},
journal= {arXiv preprint arXiv:1903.09870},
year = {2019}
}