PACER：偏好条件化的全地形代价地图生成
机器人学
2025-04-14 v2 计算机视觉与模式识别
摘要
在自主机器人导航中，地形代价分配通常采用基于语义的范式：首先使用预训练的语义分类器对地形进行标记，然后根据用户定义的标记与代价之间的映射关系分配代价。虽然这种方法能快速适应用户偏好的变化，但只能表达语义分类器已知地形类型上的偏好。本文假设，上述基于语义范式的机器学习替代方案将允许在部署时快速适应对新地形表达的偏好，而无需额外训练。为研究这一假设，我们引入并研究了PACER，这是一种新颖的代价地图生成方法，它接受周围区域的单张鸟瞰图（BEV）图像以及用户指定的偏好上下文作为输入，并生成与偏好上下文对齐的相应BEV代价地图。通过使用真实和合成数据以及一系列提出的训练任务，我们发现PACER能够快速适应新的用户偏好，同时与基于语义和表示学习的方法相比，对新颖地形表现出更好的泛化能力。
引用
@article{arxiv.2410.23488,
title = {PACER: Preference-conditioned All-terrain Costmap Generation},
author = {Luisa Mao and Garrett Warnell and Peter Stone and Joydeep Biswas},
journal= {arXiv preprint arXiv:2410.23488},
year = {2025}
}