基于图像的机器人导航具有任务可实现性

科学领域:

• 机器人技术 机器人技术 机器人技术
• 人工智能的人工智能
• 机器学习 机器学习

背景情况:

• 基于图像的机器人行动计划利用了深度学习的进步.
• 目前的方法依赖于使用参数模型,通常是深度神经网络来估计最佳的成本最小化路径.
• 这些模型需要大量的标记数据,在现实世界机器人任务中收集这些数据具有挑战性.

研究的目的:

• 为了解决成本估计模型的不准确性,训练使用机器人自动收集的数据.
• 为机器人导航引入和评估一个新的指标",任务可行性" (TA),用于机器人导航.
• 为了证明TA在提高机器人导航成功率方面的有效性.

主要方法:

• 研究了在机器人收集的数据上训练的参数性成本估计者的性能退化.
• 拟议的"任务可实现性" (TA) 作为一个指标,定义为在有限时间内达到目标的概率.
• 基于TA的培训与传统的最佳成本估计培训进行了比较,使用了最佳和非最佳的轨迹.

主要成果:

• 用机器人收集的数据训练的模型显示不准确的成本估计,导致导航失败.
• 基于TA的培训表明,与最佳成本估计器相比,稳定的估计和优异的绩效.
• 在客厅环境中进行的机器人导航实验证实了TA在达到目标位置方面的成功.

结论:

• 传统的成本估计方法在训练机器人收集的数据时是不可靠的.
• 任务可行性 (TA) 为机器人行动计划提供了一个强大的替代指标.
• 即使在传统方法失败的具有挑战性的场景中,TA也能够成功地实现机器人导航.