Skytopia单目无人机导航方法发布，推理成本降59%
论文AI 评分 65/100arXiv cs.AI待复核
AI 聚合
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
针对单目无人机在未知环境导航缺乏深度线索的问题，Skytopia提出基于动作条件隐空间世界模型的策略。该方法认为策略仅需世界模型的表征而非预测结果，因飞行中动作已解释观测变化，预测退化为静态场景重投影。训练结合3D高斯溅射平台，采用前向与逆向目标。丢弃预测器后，单一策略即可处理点目标、图像目标及无目标导航。仿真显示三种规格成功率分别为57.8%、66.0%与49.0%，超越所有基线，且推理开销削减59.4%。该策略无需微调即可部署于实体无人机，在室内、户外及林地完成导航。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载核心方法与设计逻辑
单目无人机在未知环境导航时，单前向相机难以提供深度与尺度线索。传统世界模型在部署时生成预测并反馈给动作生成，但Skytopia认为策略所需并非预测本身，而是生成预测所需的表征。由于飞行中执行动作几乎解释了观测间的全部变化，预测实质简化为已知位移下静态场景的重投影。基于此，该方法构建动作条件隐空间世界模型，并在3D高斯溅射平台上训练。其前向目标根据预期运动预测下一观测表征，逆向目标从预测转移中恢复该运动。
性能表现与开销优化
因预测结果不参与动作生成，该架构直接丢弃预测器。这一设计使单一策略能够统一处理点目标、图像目标及无目标三种导航任务，无需针对不同目标切换模型。仿真实验表明，Skytopia在上述三种导航规格下的成功率分别达到57.8%、66.0%与49.0%，全面超越所有基线方法。同时，丢弃预测器使推理成本大幅削减59.4%，显著提升了运行效率。
实体部署与泛化能力
在仿真中验证有效性后，该策略被直接部署于物理无人机上。整个过程无需进行任何微调操作。实际测试显示，该无人机在室内环境、户外开放环境以及林地环境中均成功抵达目标位置。这证明了该方法具备出色的仿真到现实的迁移能力，以及在面对不同真实物理场景时的泛化性。
为什么值得看
单一策略兼顾三种导航任务且大幅削减推理开销，并实现仿真到实体的零微调迁移，对无人机部署极具价值。
微调
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。