面向高度受限空间中的敏捷机动：从幻觉中学习
机器人学
2021-01-21 v4
摘要
尽管经典的自主机器人导航方法目前已能在某些环境中运行，但在高度受限空间中它们会失效，例如机器人需要进行敏捷机动以从障碍物间挤过。近期的机器学习技术有潜力弥补这一不足，但现有方法需要大量导航经验用于训练，期间机器人必须在靠近障碍物的位置运行并面临碰撞风险。在本文中，我们提出通过引入一种称为从幻觉中学习（LfH）的自主导航机器学习新范式来规避这一要求，该范式可利用在完全安全环境中收集的训练数据来计算导航控制器，从而在高度受限环境中实现快速、平滑且安全的导航。我们的实验结果表明，所提出的 LfH 系统在真实机器人上优于三种自主导航基线，并能很好地泛化到未见过的环境，包括那些基于经典与机器学习技术的环境。
引用
@article{arxiv.2007.14479,
title = {Toward Agile Maneuvers in Highly Constrained Spaces: Learning from Hallucination},
author = {Xuesu Xiao and Bo Liu and Garrett Warnell and Peter Stone},
journal= {arXiv preprint arXiv:2007.14479},
year = {2021}
}
备注
Accepted by IEEE Robotics and Automation Letters (RA-L)