基于跨模态融合与知识迁移的鲁棒导航

近来，基于学习的方法在导航任务中展现出有前景的结果。然而，较差的泛化能力与仿真-现实差距阻碍了其广泛应用。我们考虑提升移动机器人泛化能力并实现导航技能的仿真到现实迁移的问题。为此，我们提出一种跨模态融合方法与知识迁移框架以获得更好的泛化性，其通过师生蒸馏架构实现。教师在理想环境中学习判别性表示与近乎完美的策略；通过模仿教师的行为与表示，学生能够对齐来自含噪多模态输入的特征，并降低变化对导航策略的影响。我们在仿真与真实环境中评估了该方法。实验表明，我们的方法大幅优于基线，并在不同工作条件下实现了鲁棒导航性能。