RangeNav：面向机器人导航的任务对齐激光雷达距离图像预训练
论文提出RangeNav，一个仅183k参数的激光雷达距离图像编码器，完全在合成数据上预训练，采用各向异性卷积与循环填充处理距离图像的极端长宽比和方位角接缝。预训练目标结合距离重建、语义分割与鸟瞰图（BEV）预测，随后冻结编码器用于强化学习策略。仿真中，加入语义与BEV监督相比仅重建基线，在程序生成训练环境和分布外真实测试环境成功率分别平均提升32.03和23.73个百分点。在Unitree B2-W四足机器人上零样本部署，可在密集人群、低光与施工区域导航。代码与模型将开源。
发布于 10-22 13:00来源：arXiv cs.RO
转载 · 官方发布原文：arXiv cs.RO ·《RangeNav: Task-Aligned LiDAR Range-Image Pretraining for Robot Navigation》查看原链
arXiv:2610.29845v1 公告类型：新论文 摘要：在密集人群和杂乱场地中运行的自主移动机器人需要360°感知来应对周围危险。 全景激光雷达虽能提供全向覆盖，但在稀疏奖励下，强化学习（RL）中的表征学习样本效率低，且现有3D预训练点云编码器内存占用过高，难以支撑大规模并行RL仿真。
我们提出RangeNav，一个紧凑（183k参数）的激光雷达距离图像编码器，完全在合成数据上预训练。 RangeNav采用各向异性卷积和循环填充来处理距离图像的极端长宽比与方位角接缝。 我们使用结合距离重建、语义分割和鸟瞰图（BEV）预测的导航对齐目标预训练该网络，随后冻结它用于策略学习。
在仿真中，加入语义和BEV监督后，在程序生成的训练环境和分布外真实测试环境中，成功率相比仅重建基线平均分别提升32.03和23.73个百分点（pp）。 在Unitree B2-W四足机器人上的零样本真实世界部署表明，在密集人群、低光环境和施工区域中，该策略能稳健导航，而有限视场深度策略在这些场景中表现不佳。
代码和模型将开源。