.png){kind=icon}
返回
DevGRU: Depth-Guided Visual Navigation Using a Collision-Aware Recurrent Model
.png){kind=icon}
PRE
AI
DOI：10.1109/lra.2026.3730213.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
现有视觉导航模型通常旨在开发能够跨不同平台泛化机器人导航的基础模型。然而，这些模型在部署于复杂室内环境时，尤其是在结构化布局和狭窄通道中，容易出现碰撞问题。为解决此问题，我们提出了一种基于深度图像和点目标条件的导航系统DevGRU。该系统采用一个动作预测器（AP），生成具有碰撞感知的未来轨迹，从而有效避开即时障碍物。结合碰撞预测器，AP进一步补偿目标位姿估计中累积的误差，并主动缓解未来的偏差。为评估我们的方法，我们在九个不同场景中进行了实验，并与三种最新方法（ViNT、NoMaD和NavDP）以及ViNT和NoMaD的四种额外变体进行了对比。在导航性能方面，DevGRU显著优于ViNT和NoMaD。此外，所提出的模型具有较少的可训练参数，其推理时间在基准测试中最快，尤其是在模型尺寸上比NavDP快7倍，推理时间快17倍。
Keyword:
Vision-based navigation
deep learning methods
collision avoidance
期刊
I
IF:
5.3
论文数:
2.0K
被引数:
3.9W
机构
引用论文
Learning Phrase Representations using RNN Encoder–Decoder for Statistical Machine Translation使用RNN编码器-解码器学习统计机器翻译的短语表示
OAAI
.png){kind=icon}
OAAI分享收藏X-Nav: Learning End-to-End Cross-Embodiment Navigation for Mobile Robots王, H.; Tan, A.H.; Fung, A.; Nejat, G. X-Nav: 学习端到端跨形态导航用于移动机器人. IEEE Robot. Autom. Lett. 2026, 11, 698–705. [Google Scholar] [CrossRef]
PREAI
分享收藏
查看更多内容