通过比例偏好条件生成地形成本图
机器人学
2026-02-03 v2
摘要
成功的自主机器人导航需要能够生成高质量的地形成本图，这些成本图能够在广泛的地形范围内良好泛化，并在测试时快速适应特定任务需求。现有的成本图生成方法要么允许快速测试时适应相对成本（如语义分割方法），要么能够泛化到新地形类型（如表示学习方法），但难以同时实现。这项工作提出了比例偏好条件化的全地形成本图生成 (SPACER)，一种新方法，通过在训练期间利用合成数据实现对新地形的良好泛化，并通过条件化于用户指定的比例偏好上下文实现快速测试时适应相对成本。使用大规模航空地图，我们提供的实证证据表明，SPACER 在生成用于地形导航的成本图方面优于其他方法，在五个七个环境中均实现最低的 regret，适用于全局路径规划。
引用
@article{arxiv.2511.11529,
title = {Terrain Costmap Generation via Scaled Preference Conditioning},
author = {Luisa Mao and Garrett Warnell and Peter Stone and Joydeep Biswas},
journal= {arXiv preprint arXiv:2511.11529},
year = {2026}
}