返回
Learning Humanoid Navigation From Human Data
DOI:10.1109/lra.2026.3710346.png)
摘要
En 中文
我们提出EgoNav系统,该系统使类人机器人能够通过完全学习5小时的人类行走数据(无需机器人数据或微调),实现零样本、无目标约束的穿越任务,可应用于经过评估的未见环境。扩散模型根据过去轨迹、360°视觉记忆(融合颜色、深度和语义信息)以及来自冻结DINOv3骨干网络的视频特征(捕捉深度传感器不可见的外观线索)来预测未来可能轨迹的分布。混合采样方案在10步去噪过程中实现实时推理,而滚动时域控制器从预测分布中选择路径。我们通过离线评估、与VFH+和MPPI的实际世界对比以及类人机器人Unitree G1在未见室内外环境中的零样本部署失败模式分析验证了EgoNav。诸如等待门开启、绕行人群和避开玻璃墙等行为自然地从学习到的先验中涌现。我们将发布数据集和训练模型。
Keyword:
Learning from demonstration
humanoid robot systems
vision-based navigation
期刊
I
IF:
5.3
论文数:
3.4K
被引数:
4.0W
机构
引用论文
Universal Manipulation Interface: In-The-Wild Robot Teaching Without In-The-Wild Robots通用操作接口:无需在野机器人的在野机器人教学
DexCap: Scalable and Portable Mocap Data Collection System for Dexterous ManipulationDexCap:一种用于灵巧操作的规模化、便携式动捕数据采集系统
Multimodal Trajectory Predictions for Autonomous Driving using Deep Convolutional Networks基于深度卷积网络的自动驾驶多模态轨迹预测

