基于黎曼运动策略的神经自主导航
机器人学
2019-04-04 v1
摘要
端到端学习用于自主导航近来作为减少建模误差的一种有前景的方法受到了大量关注。然而，其数据复杂度较高，尤其在泛化到未知环境方面。我们引入一种新颖的基于图像的自主导航技术，该技术利用黎曼运动策略（RMP）框架在策略结构中进行车辆控制的深度学习。我们设计了一个深度神经网络，从视觉图像预测车辆的控制点 RMPs，由此可解析地计算出最优控制指令。我们表明，在 Gibson 环境中训练的网络可用于真实 RC 车的室内避障与导航，并且我们的 RMP 表示比预测局部几何或直接预测控制指令对未知环境具有更好的泛化能力。
引用
@article{arxiv.1904.01762,
title = {Neural Autonomous Navigation with Riemannian Motion Policy},
author = {Xiangyun Meng and Nathan Ratliff and Yu Xiang and Dieter Fox},
journal= {arXiv preprint arXiv:1904.01762},
year = {2019}
}