OSCAR：面向自适应机器人导航的障碍物生存曲线
论文提出 OSCAR 框架，让机器人在图导航中学习按障碍物类别区分的剩余清空时间生存分布，并据此为每条被阻塞的边计算“等待多久再绕行”的耐心阈值。模型可处理绕行时尚未观察到清空而出现的右删失数据，并集成到依赖时间的图规划器中持续在线更新。仿真中每类障碍物观测少于 20 次后，到达目标时间与掌握真实分布的 oracle 相差 1% 以内，优于全部启发式基线；在大学中庭用真实移动机器人对行人、椅子、垃圾桶和管子等障碍完成 50 个导航回合，耐心阈值随经验在线调整。
发布于 10-22 13:01来源：arXiv cs.RO
转载 · 官方发布原文：arXiv cs.RO ·《OSCAR: Obstacle Survival Curves for Adaptive Robot Navigation》查看原链
arXiv:2606.00990v3 公告类型：替换 摘要：沿已知路线图行驶的移动机器人，在临时障碍物阻塞关键边时可能做出代价高昂的导航错误：在停放的推车后面等待太久会浪费时间，但遇到几秒内就会离开的人却立即绕行同样低效。 标准的反应式避障处理的是障碍物周围的局部运动，而固定的“等待或绕行”规则忽略了不同障碍物类型通常持续多久。
我们提出 OSCAR：一个面向存在临时阻塞的图导航的自适应生存建模框架。 假设在遭遇时可以获得障碍物类别标签，机器人从在线经验中学习以类别为条件的剩余清空时间分布，包括在观察到清空之前就绕行时的右删失观测。 这些生存模型被集成到一个依赖时间的图规划器中，该规划器维护障碍物记忆，并在每条被阻塞的边上计算耐心阈值：在改走替代路线之前应等待多久。
该方法跨回合持续更新其清空时间估计，并用这些估计来平衡等待与绕行。 我们在仿真中以及在一台真实移动机器人上评估了该方法，测试地点为大学中庭，障碍物包括人、椅子、垃圾桶和管子。 在仿真中，学习到的策略在每类障碍物少于 20 次观测后，其到达目标时间收敛到与拥有真实清空时间分布的 oracle 相差 1% 以内，优于所有启发式基线。
真实世界部署证实该策略能在线改进，在 50 个导航回合中根据经验调整其耐心阈值。