One-4-All：用于具身导航的神经势场
机器人学
2023-08-01 v3 计算机视觉与模式识别
机器学习
摘要
机器人学中的一项基本任务是在两个位置间导航。特别地，真实世界导航可能需要使用高维 RGB 图像进行长视野规划，这对端到端基于学习的方法提出了重大挑战。当前的半参数方法转而通过将学习模块与环境的拓扑记忆（常表示为先前采集图像上的图）结合来实现长视野导航。然而，在实践中使用这些图需要调优若干剪枝启发式。这些启发式对于避免伪边、限制运行内存占用以及在大环境中维持合理的快速图查询是必要的。在本工作中，我们提出 One-4-All (O4A)，一种利用自监督与流形学习以获得无图、端到端导航流程的方法，其中目标以图像形式指定。导航通过贪心最小化在图像嵌入上连续定义的势函数来实现。我们的系统离线训练于非专家探索序列的 RGB 数据与控制量，且不需要任何深度或位姿测量。我们展示了 O4A 能在 8 个模拟 Gibson 室内环境中到达长程目标，且所得嵌入在拓扑上类似于真实地图，即便未观测到位姿。我们进一步展示了使用 Jackal UGV 平台的成功真实世界导航。
引用
@article{arxiv.2303.04011,
title = {One-4-All: Neural Potential Fields for Embodied Navigation},
author = {Sacha Morin and Miguel Saavedra-Ruiz and Liam Paull},
journal= {arXiv preprint arXiv:2303.04011},
year = {2023}
}
备注
Sacha Morin and Miguel Saavedra-Ruiz contributed equally. Accepted to the IEEE/RSJ International Conference on Intelligent Robots (IROS 2023)