Ratatouille：面向现实社交机器人导航的模仿学习要素
机器人学
2025-09-24 v2
摘要
将强化学习扩展至野外社交机器人导航数据密集且不安全，因为策略必须通过直接交互学习，必然遭遇碰撞。离线模仿学习（IL）通过安全收集专家演示、完全离线训练，再零-shot 部署策略来规避这些风险。然而我们发现，仅用行为克隆（BC）应用于社交导航不足以取得佳绩； achieving 强大性能需要谨慎的架构与训练选择。我们提出 Ratatouille，一个管道与模型架构，无需改变数据，即可将每米碰撞次数降低 6 倍，成功率提升 3 倍。我们在仿真环境与真实世界验证了该方法，在密集大学校园收集超过 11 小时数据。进一步在公共食堂展示了定性结果。我们的发现表明，谨慎的 IL 设计而非额外数据，能在现实社交导航中显著提升安全性与可靠性。视频：https://youtu.be/tOdLTXsaYLQ。代码将在接受后公开。
引用
@article{arxiv.2509.17204,
title = {Ratatouille: Imitation Learning Ingredients for Real-world Social Robot Navigation},
author = {James R. Han and Mithun Vanniasinghe and Hshmat Sahak and Nicholas Rhinehart and Timothy D. Barfoot},
journal= {arXiv preprint arXiv:2509.17204},
year = {2025}
}
备注
8 pages