.png){kind=icon}
返回
COAL: Robust Contrastive Learning-Based Visual Navigation Framework
.png){kind=icon}
PRE
AI
DOI：10.1002/rob.22508.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
现实世界中的机器人在执行导航或探索任务时将面临各种复杂的场景，尤其是在机器人从未见过的环境中。通常，机器人需要建立局部或全局地图，然后使用路径规划算法来确定其路线。然而，在一些环境中，如野外的草径或道路两侧的人行道，机器人很难通过导航地图规划路线。为解决此问题，我们提出了一种基于对比学习的机器人导航稳健框架，称为潜在空间中的对比观测-动作（COAL）。为分别从动作空间和观测空间提取特征，COAL使用两个不同的编码器。在训练阶段，COAL不需要任何数据标注，并采用掩码方法使潜在空间中差异显著的特征保持分离。类似于多模态对比学习，我们最大化双向互信息以对齐潜在空间中的观测和动作序列特征，这可以增强模型的泛化能力。在部署阶段，机器人只需当前图像作为观测即可完成探索任务。从采样数据中选择最合适的动作序列以生成控制信号。我们在仿真和真实环境中评估了COAL的稳健性。仅需41分钟的未标注训练数据即可使COAL探索从未见过的环境，即使在夜间。与最先进的方法相比，COAL具有最强的稳健性和泛化能力。更重要的是，通过使用其他开源数据集扩充我们的训练数据，COAL的稳健性得到进一步提升，这表明我们的框架具有提取观测和动作序列深层特征的巨大潜力。我们的代码和训练模型可在https://github.com/wzm206/COAL获取。
Keyword:
contrastive learning
multimodal
self-supervised learning
visual navigation
期刊
IF:
5.2
论文数:
1.7K
被引数:
6.0K
机构
引用论文
.png){kind=icon}
分享收藏
查看更多内容