预测用于语义机器人导航的稠密上下文感知代价地图

我们研究未知环境中的目标物体导航任务，其中目标由语义标签指定（例如找一张沙发）。此类导航任务尤其具有挑战性，因为它需要理解多样场景中的语义上下文。大多数先前工作在离散动作策略的假设下解决该问题，而我们提出一种连续控制的方法，使其更贴近真实世界应用。我们提出一种深度神经网络架构和损失函数，用于预测隐式包含语义上下文并引导机器人朝向语义目标的稠密代价地图。我们还提出了一种在我们的架构中融合中层视觉表示的新方法，为代价地图预测提供额外的语义线索。估计的代价地图随后由基于采样的模型预测控制器（MPC）用于生成连续的机器人动作。初步实验表明，我们的网络生成的代价地图适用于 MPC，并且比基线方法更有效地引导智能体到达语义目标。结果还表明中层表示对导航的重要性，将成功率提高了 7 个百分点。