FlowNav: Combining Flow Matching and Depth Priors for Efficient Navigation

要約

未知の環境における効果的なロボットナビゲーションは、高頻度での正確な制御動作を必要とする困難な課題である。最近の進歩により、ロボットが正面RGB画像を用いてナビゲーション動作を生成する、画像目標条件付き制御問題として枠組みされた。この分野における現在の最先端の手法は、これらの制御動作を生成するために拡散ポリシーを使用している。その有望な結果にもかかわらず、これらのモデルは計算コストが高く、弱い知覚に悩まされている。これらの限界に対処するため、我々は、条件付きフローマッチング（CFM）と、既製の基礎モデルからの深さプリオールの組み合わせを使用して、ロボットナビゲーションのための行動方針を学習する新しいアプローチであるFlowNavを提示する。FlowNavは、最新の手法よりもナビゲーションと探索の精度が大幅に向上している。我々は、複数の未知の環境における実際のロボット実験を用いて我々の貢献を検証し、ナビゲーションの信頼性と精度の向上を実証する。我々はコードと学習済みモデルを公開する。

要約(オリジナル)

Effective robot navigation in unseen environments is a challenging task that requires precise control actions at high frequencies. Recent advances have framed it as an image-goal-conditioned control problem, where the robot generates navigation actions using frontal RGB images. Current state-of-the-art methods in this area use diffusion policies to generate these control actions. Despite their promising results, these models are computationally expensive and suffer from weak perception. To address these limitations, we present FlowNav, a novel approach that uses a combination of Conditional Flow Matching (CFM) and depth priors from off-the-shelf foundation models to learn action policies for robot navigation. FlowNav is significantly more accurate at navigation and exploration than state-of-the-art methods. We validate our contributions using real robot experiments in multiple unseen environments, demonstrating improved navigation reliability and accuracy. We make the code and trained models publicly available.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL