ViNG：以视觉目标学习开放世界导航

我们提出一种基于学习的导航系统用于到达视觉指示的目标，并在真实移动机器人平台上演示该系统。学习为传统机器人导航方法提供了诱人替代：机器人不必基于几何与地图推理环境，而可通过学习了解可导航性、理解哪些障碍可通行（如高草）或不可通行（如墙壁），并泛化环境中的模式。然而，与传统规划算法不同，在部署中更改学习策略的目标更困难。我们提出一种学习朝所需目的地目标图像导航的方法。通过将学习策略与由先前观测数据构建的拓扑图结合，我们的系统能确定如何到达该视觉指示目标，即使在外观与光照多变情况下。三个关键洞见——路点提议、图剪枝与负样本挖掘——使我们的方法能仅用离线数据在真实世界环境中学习导航，而此前方法在此设定下表现不佳。我们在真实室外地面机器人上实现该方法，并展示我们称为 ViNG 的系统优于先前提出的面向目标强化学习方法，包括其他结合强化学习与搜索的方法。我们还研究 ViNG 如何泛化到未见过环境，并评估其随经验增长适应此类环境的能力。最后，我们在若干真实世界应用（如末端配送与仓库巡检）上演示 ViNG。我们鼓励读者访问项目网站观看实验与演示视频 sites.google.com/view/ving-robot。