基于全局地图一致性的视觉导航自监督域适应

我们提出一种轻量、自监督的适应方法，使视觉导航智能体泛化至未知环境。给定一个在无噪声环境中训练的具身智能体，我们的目标是将该智能体迁移至存在执行器与里程计传感器噪声的含噪环境。我们的方法鼓励智能体在往返轨迹的不同时间步所生成的全局地图之间最大化一致性。所提出的任务完全自监督，不需要来自真值位姿数据或显式噪声模型的任何监督。此外，任务目标的优化极为轻量，在商用 GPU 上数分钟即可完成训练。我们的实验表明，所提任务有助于智能体成功迁移至新的含噪环境。迁移后的智能体表现出改进的定位与建图精度，进而提升下游视觉导航任务中的性能。此外，我们展示了利用自监督任务进行测试时适应，以表明其在真实部署中的潜在适用性。