KTH 与法国NAVER欧洲实验室探讨学习在导航中信任谁：在经典和神经规划之间动

#论文# IROS2023｜KTH 与法国NAVER欧洲实验室探讨学习在导航中信任谁：在经典和神经规划之间动态切换

【Learning whom to trust in navigation: dynamically switching between classical and neural planning】

文章链接：[2307.16710] Learning whom to trust in navigation:...

地面机器人的导航通常通过定位与建图（SLAM）后跟经典规划在动态创建的地图上进行解决，或者通过机器学习（ML）来处理，常常是通过强化学习（RL）或模仿学习（IL）的端到端训练。最近，模块化设计取得了令人期待的结果，并且提出了将ML与经典规划相结合的混合算法。现有的方法通过手工设计的函数来实现这些组合，这不能充分利用策略之间的互补性和场景结构与规划性能之间的复杂规律。

我们的工作基于这样一个假设：神经规划器和经典规划器的优势和劣势遵循某些规律，这些规律可以从训练数据中学习，特别是从交互中学习。这基于这样的假设：训练过的规划器和经典规划背后的建图算法都会因场景的语义而导致失败案例，而且这种依赖是可学习的：例如，某些区域、物体或场景结构比其他区域更容易重建。我们提出了一种分层方法，由一个高层规划器组成，它在经典规划器和神经规划器之间动态切换。我们在仿真中完全训练所有神经策略，并在LoCoBot机器人上的仿真和实际实验中评估该方法，在性能方面取得了显著的增益，特别是在真实环境中。我们还就高层规划器所利用的数据规律的本质进行了定性推测。