特征空间中基于任务与运动模仿的无度量拓扑建图探索
机器人学
2023-03-17 v1
摘要
我们提出DeepExplorer，一种简单轻量的无度量探索方法，用于未知环境的拓扑建图。它完全在图像特征空间中进行任务与运动规划（TAMP）。任务规划器是一个循环网络，利用最新图像观测序列来幻觉出一个特征作为下一个最佳探索目标。运动规划器随后利用当前与幻觉特征生成动作，将智能体朝该目标移动。两个规划器通过来自专家演示的深度监督模仿学习联合训练。在探索过程中，我们迭代调用两个规划器预测下一步动作，并通过不断将最新图像观测和动作追加到地图以及使用视觉位置识别（VPR）进行回环闭合来构建拓扑地图。所得拓扑地图高效表示环境的连通性与可通行性，因此可用于视觉导航等任务。我们在Gibson和MP3D等大规模仿真数据集上展示了DeepExplorer的探索效率和强sim2sim泛化能力。其有效性通过在所得拓扑地图上的图像目标导航性能得到进一步验证。我们进一步在真实世界实验中展示了其强零样本sim2real泛化能力。源代码见 \url{https://ai4ce.github.io/DeepExplorer/}。
引用
@article{arxiv.2303.09192,
title = {Metric-Free Exploration for Topological Mapping by Task and Motion Imitation in Feature Space},
author = {Yuhang He and Irving Fang and Yiming Li and Rushi Bhavesh Shah and Chen Feng},
journal= {arXiv preprint arXiv:2303.09192},
year = {2023}
}