.png){kind=icon}
返回
MacroNav: Multi-Task Context Representation Learning Enables Efficient Navigation in Unknown Environments
.png){kind=icon}
PRE
AI
DOI：10.1109/LRA.2026.3688067.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在未知环境中的自主导航需要多尺度空间理解，以捕捉几何细节、拓扑连通性和全局结构，以支持在部分可观测性下的高层决策。现有方法难以在保持低计算成本以实现实时导航的同时，高效地捕获这种多尺度空间理解。我们提出了MacroNav，一种基于学习的导航框架，具有两个关键组件：（1）通过多任务自监督学习训练的轻量级上下文编码器，用于捕获多尺度、导航中心的空间表示；（2）一种强化学习策略，能够将这些表示无缝集成与基于图的推理，以实现高效的动作选择。大量实验证明了上下文编码器对环境理解的有效性和鲁棒性。实际部署进一步验证了MacroNav的有效性，在成功率（SR）和加权路径长度成功率（SPL）方面显著优于当前最先进的导航方法，同时具有更优越的计算效率。
Keyword:
Autonomous navigation
motion and path planning
self-supervised learning
reinforcement learning
期刊
I
IF:
5.3
论文数:
1.9K
被引数:
3.9W
机构
引用论文
ALPHA: Attention-based Long-horizon Pathfinding in Highly-structured AreasALPHA：基于注意力的长视域路径规划在高结构化区域
OAAI
.png){kind=icon}
OAAI分享收藏
查看更多内容