基于物理先验的机器人导航中在线层次化策略学习
机器人学
2025-10-03 v1
摘要
机器人在大型、复杂且未知的室内环境中进行导航是一个具有挑战性的问题。传统的采样方法在分辨率控制和可扩展性方面存在困难，而仿照学习方法则需要大量的演示数据。主动神经时间场（ANTFields）最近作为一种新兴解决方案涌现，利用局部观察来学习无需依赖演示的代价函数。尽管其前景广阔，但这些方法受到谱偏差和灾难性遗忘等挑战的制约，削弱了在复杂场景中的效果。为此，我们的方法将规划问题分解为层次结构。在高层次，稀疏图捕获环境的全局连通性；在低层次，基于神经场的规划器通过求解Eikonal PDE来导航局部障碍。这种物理感知的策略克服了谱偏差和神经场拟合困难等常见问题，实现了对代价景观的平滑且精确的表示。我们在大规模环境中验证了该框架，展示了其相对于先前方法的增强适应性和精度，并凸显了其在在线探索、制图和实际导航中的潜力。
引用
@article{arxiv.2510.01519,
title = {Online Hierarchical Policy Learning using Physics Priors for Robot Navigation in Unknown Environments},
author = {Wei Han Chen and Yuchen Liu and Alexiy Buynitsky and Ahmed H. Qureshi},
journal= {arXiv preprint arXiv:2510.01519},
year = {2025}
}