[论文解读] Intention-Net: Integrating Planning and Deep Learning for Goal-Directed Autonomous Navigation
一个两级架构将高级粗略地图路径规划器与低级意图网运动控制器相结合，通过模仿学习实现面向目标的导航并具备鲁棒的局部感知。
How can a delivery robot navigate reliably to a destination in a new office building, with minimal prior information? To tackle this challenge, this paper introduces a two-level hierarchical approach, which integrates model-free deep learning and model-based path planning. At the low level, a neural-network motion controller, called the intention-net, is trained end-to-end to provide robust local navigation. The intention-net maps images from a single monocular camera and "intentions" directly to robot controls. At the high level, a path planner uses a crude map, e.g., a 2-D floor plan, to compute a path from the robot's current location to the goal. The planned path provides intentions to the intention-net. Preliminary experiments suggest that the learned motion controller is robust against perceptual uncertainty and by integrating with a path planner, it generalizes effectively to new environments and goals.
研究动机与目标
- 在尽量少的先验信息的情况下，在新的室内环境中促进鲁棒的目标导向自主导航。
- 提出一种将基于模型的规划与无模型学习相结合的层次化架构。
- 学习一个本地运动控制器（意图网），其条件来自规划意图和感知输入。
- 通过仿真和真实机器人实验，展示对未见环境和目标的泛化能力。
提出的方法
- 提出一个两级层次结构：高层路径规划器使用粗略二维平面图，低层学习的意图网运动控制器。
- 定义意图表示：离散化本地移动（DLM）有四个取值，或本地路径与环境（LPE）作为224x224的图像。
- 通过模仿学习端到端地训练意图网F，使其将（相机图像、意图）映射到机器人控制（速度v、转向）。
- 在仿真中使用动态窗口法作为专家，以及在真实机器人中使用人类操纵杆控制，收集演示数据。
- 处理规划路径以在每个时间步为意图网生成意图，实现闭环执行与重新规划。
- 采用双流孪生网络（用于LPE）或基于ResNet50的融合（用于DLM）从感知输入和意图中估计控制。
实验结果
研究问题
- RQ1使用粗略地图的高级规划器是否能为学习的低级控制器提供有用的意图，以实现面向目标的导航？
- RQ2对意图进行条件化的神经运动控制器是否能提升对感知不确定性和定位误差的鲁棒性？
- RQ3该集成系统对训练中未见的新环境和目标的泛化能力有多强？
- RQ4DLM 与 LPE 表示在意图表示方面的比较优势是什么？
主要发现
- 两级方法在未见环境中使用粗糙地图实现鲁棒的目标导向导航。
- LPE-Net 通常优于 DLM-Net，尤其是在需要复杂动作（如急转弯）以及新环境中。
- 在大多数任务中，两种意图网变体在成功率、干预次数、时间和顺畅性方面均优于基线（路径追踪器、动态窗口）。
- 非意图网（去除意图输入）在大多数任务中失败，显示出意图对全局引导的重要性。
- 真实机器人实验表明该方法能够处理移动人员、玻璃门和新地面，且LPE-Net显示出强泛化能力。
- 定位不准确可能导致失败；重新规划有帮助，但更具不确定性意识的规划器可能进一步提高鲁棒性。
更好的研究，从现在开始
从论文设计到论文写作，大幅缩短您的研究时间。
无需绑定信用卡
本解读由 AI 生成，并经人工编辑审核。