在线几何记忆生成与维护：用于结构动态环境中的视觉运动导航

《IEEE Transactions on Automation Science and Engineering》：Online Geometric Memory Generation and Maintenance for Visuomotor Navigation in Structural Dynamic Environments

自主导航依赖记忆机制优化路径，但动态环境易导致记忆与实时感知不一致引发导航错误。现有方法仅处理对象级动态而忽略环境结构长期变化，本文提出学习框架构建几何记忆，通过记忆更新器动态调整并识别环境变化，结合两阶段分层规划器分解任务并生成平滑策略，仿真与实测验证其有效性。

　　

摘要：

自主导航在很大程度上依赖于记忆机制来提高路径的优化程度。然而，环境的动态特性可能导致存储的场景记忆与实时感知之间存在不一致，从而引发潜在的严重导航错误。现有的记忆结构往往无法应对这些挑战，因为它们通常只考虑对象级别的动态变化，而在环境结构发生长期变化时就会失效。为了解决这些问题，本文提出了一种基于学习的框架，用于构建和维护几何记忆，从而在结构动态变化的情况下改善视觉运动导航性能。该框架利用视觉输入来构建环境的几何表示，并通过评估已建立的记忆与即时感知之间的一致性来识别结构变化。为了高效更新几何记忆，我们引入了一种基于结构存储池的记忆更新机制。此外，还提出了一种两阶段层次规划器来分解导航任务并制定平滑的导航策略。来自真实感模拟的实验结果证明了所提出系统在管理长期动态变化和导航控制方面的有效性。通过在真实环境中的部署和测试进一步验证了该系统的有效性。给实践者的提示——传统的基于几何的导航方法依赖于构建全局地图来进行空间推理和优化机器人控制。在基于学习的流程中，对记忆信息的依赖对于使机器人具备空间和时间意识至关重要。虽然维护记忆结构可以显著扩展机器人在时间和空间上的感知范围，但在动态环境中，历史记忆与实时感知之间的差异可能会导致错误的决策...

显示更多

引言

在未知环境中的导航一直是具身人工智能发展的一个长期研究重点。传统方法采用同时定位与地图构建（SLAM）技术[1]、[2]、[3]在规划阶段构建空间地图并生成可行轨迹。近年来，基于学习的导航[4]、[5]、[6]、[7]、[8]作为一种替代方法逐渐受到关注。然而，从神经网络中得出的策略往往只是局部最优解而非全局最优解，这主要是由于缺乏全局信息（如地图）。为了解决这个问题，引入了记忆机制[4]、[5]、[9]来保留历史信息并提高策略的优化程度。除了像缓冲区[8]、[10]和神经图灵机（NTMs）[11]、[12]这样的通用记忆结构外，显式的几何表示（如度量地图[13]、[14]、[15]、[16]、[17]、[18]、[19]、[20]、[21]、[22]、[23]）和拓扑地图[24]、[25]也成为了自然且高效的记忆表示方式。