.png){kind=icon}
返回
AINav: Large Language Model-Based Adaptive Interactive Navigation
.png){kind=icon}
PRE
AI
DOI：10.1109/MRA.2025.3639793.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
复杂环境下的机器人导航仍然是一个关键的研究挑战。传统导航方法专注于在固定的自由工作空间内生成最优轨迹，因此在缺乏可行路径到达目标的环境中（例如灾区或杂乱仓库）会面临困难。为解决此问题，我们提出了AINav，一种自适应交互式导航方法，通过主动与环境交互来创建可行的路径，以实现原本无法到达的目标。具体而言，我们为任务规划提出了一棵基础技能树，利用大型语言模型（LLMs）促进有效推理，以确定交互对象和序列。为确保鲁棒的子任务执行，我们采用强化学习（RL）预训练了一个全面的技能库，包含用于运动规划的多样化运动和交互行为。此外，我们引入了一种自适应重规划方法，具有两个基于LLM的模块：一个作为灵活重规划触发器的顾问模块，以及一个用于自主计划调整的园丁模块。结合树结构，重规划机制允许方便地添加和修剪节点，从而在先验未知的环境中实现快速计划调整。全面的模拟和实验表明，AINav在多种场景中均表现出有效性和适应性。补充视频可在https://youtu.be/CjXm5KFx9AI获取。
Keyword:
Navigation
Adaptation models
Quadrupedal robots
Robot sensing systems
Automation
Large language models
Reinforcement learning
Interactive systems
期刊
I
IF:
7.1
论文数:
59
被引数:
0
机构
引用论文
.png){kind=icon}
分享收藏Lifelike agility and play in quadrupedal robots using reinforcement learning and generative pre-trained models逼真的敏捷性，并使用强化学习和生成式预训练模型在四足机器人中玩耍
OAAI
OAAI分享收藏
查看更多内容