要約
最近の結果は、トポロジー ナビゲーションをロボットに依存しないコンポーネントとロボット固有のコンポーネントに分割することで、ロボットに依存しない部分をさまざまなロボット タイプによって収集されたデータでトレーニングできるようになり、ナビゲーションのパフォーマンスが向上することを示唆しています。
ただし、適切なトレーニング データが不足しているため、ナビゲーション方法は依然として制限されており、計算のスケーリングが不十分です。
この研究では、ロボットに依存しない部分をナビゲーション固有のコンポーネントと一般的なコンピューター ビジョン コンポーネントに細分化して、PlaceNav を紹介します。
トポロジカル ナビゲーション パイプラインのサブゴールの選択に視覚的な場所認識を利用します。
これにより、サブ目標の選択がより効率的になり、ロボット以外のソースからの大規模なデータセットを活用できるようになり、トレーニング データの可用性が向上します。
場所認識によって有効になるベイジアン フィルタリングは、サブゴールの時間的一貫性を高めることでナビゲーション パフォーマンスをさらに向上させます。
私たちの実験結果は設計を検証し、新しいモデルはより高い計算効率により、屋内ナビゲーション タスクで 76% 高い成功率、屋外ナビゲーション タスクで 23% 高い成功率を獲得しました。
要約(オリジナル)
Recent results suggest that splitting topological navigation into robot-independent and robot-specific components improves navigation performance by enabling the robot-independent part to be trained with data collected by different robot types. However, the navigation methods are still limited by the scarcity of suitable training data and suffer from poor computational scaling. In this work, we present PlaceNav, subdividing the robot-independent part into navigation-specific and generic computer vision components. We utilize visual place recognition for the subgoal selection of the topological navigation pipeline. This makes subgoal selection more efficient and enables leveraging large-scale datasets from non-robotics sources, increasing training data availability. Bayesian filtering, enabled by place recognition, further improves navigation performance by increasing the temporal consistency of subgoals. Our experimental results verify the design and the new model obtains a 76% higher success rate in indoor and 23% higher in outdoor navigation tasks with higher computational efficiency.
arxiv情報
| 著者 | Lauri Suomela,Jussi Kalliola,Harry Edelman,Joni-Kristian Kämäräinen |
| 発行日 | 2023-10-05 10:13:58+00:00 |
| arxivサイト | arxiv_id(pdf) |
提供元, 利用サービス
arxiv.jp, Google