基于强化学习的无人机图像-目标导航安全框架：SIGN
机器人学
2025-12-22 v2
摘要
图像-目标导航（ImageNav）任务要求机器人自主探索未知环境并到达与给定目标图像相匹配的地点。虽然先前工作主要针对地面机器人研究 ImageNav，使其为无人机提供此功能的挑战显著，因为无人机需要高频反馈控制和全局定位以实现稳定飞行。本文提出一种新颖的 sim-to-real 框架，利用强化学习（RL）实现无人机的 ImageNav。为增强视觉表征能力，我们的方法通过包括图像扰动和未来转换预测等辅助任务训练视觉 backbone，实现更有效的策略训练。我们的方法实现了直接速度控制的 end-to-end ImageNav，无需外部定位。此外，我们集成了基于深度的安全模块，用于实时障碍物规避，使无人机能够在拥挤环境中安全导航。与大多数现有无人机导航方法不同，侧重于参考轨迹跟踪或障碍规避，我们的框架支持包括自主探索、障碍规避和图像-目标寻找出口在内的综合导航行为，无需显式全局映射。代码和模型检查点可在 https://github.com/Zichen-Yan/SIGN 获取。
引用
@article{arxiv.2508.12394,
title = {SIGN: Safety-Aware Image-Goal Navigation for Autonomous Drones via Reinforcement Learning},
author = {Zichen Yan and Rui Huang and Lei He and Shao Guo and Lin Zhao},
journal= {arXiv preprint arXiv:2508.12394},
year = {2025}
}
备注
Accepted to IEEE Robotics and Automation Letters (RA-L)