The One RING：机器人室内导航通才
机器人学
2025-05-27 v2 计算机视觉与模式识别
摘要
现代机器人在形状、大小以及用于感知和与环境交互的传感器配置方面差异很大。然而，大多数导航策略是特定于具体形态的——在一个机器人上训练的策略通常无法泛化到另一个机器人，即使身体大小或相机视角有微小变化。随着定制硬件变得越来越普遍，越来越需要一种能够跨形态泛化的单一策略，从而无需为每个特定机器人重新训练。在本文中，我们介绍了RING（Robotic Indoor Navigation Generalist），一种与形态无关的策略，可将任何移动机器人转变为有效的室内语义导航器。RING完全在模拟中训练，利用对机器人形态的大规模随机化，实现对多种真实世界平台的鲁棒泛化。为此，我们增强了AI2-THOR模拟器，以实例化具有可控配置的机器人，这些配置在身体大小、旋转枢轴点和相机参数上有所不同。在视觉目标导航任务中，RING实现了强大的跨形态（XE）泛化——在五种模拟形态上平均成功率为72.1%（在Chores-S基准上绝对提升16.7%），在四种真实世界平台上（包括Stretch RE-1、LoCoBot和Unitree Go1）成功率为78.9%——匹配甚至超过了特定形态的策略。我们进一步在真实世界厨房环境中将RING部署在RB-Y1轮式人形机器人上，展示了其在移动操作平台上的开箱即用潜力。（项目网站：https://one-ring-policy.allen.ai）
引用
@article{arxiv.2412.14401,
title = {The One RING: a Robotic Indoor Navigation Generalist},
author = {Ainaz Eftekhar and Rose Hendrix and Luca Weihs and Jiafei Duan and Ege Caglar and Jordi Salvador and Alvaro Herrasti and Winson Han and Eli VanderBil and Aniruddha Kembhavi and Ali Farhadi and Ranjay Krishna and Kiana Ehsani and Kuo-Hao Zeng},
journal= {arXiv preprint arXiv:2412.14401},
year = {2025}
}