AVALON：零样本室内导航框架，无需建图完成送餐任务
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。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载面向人熟机生的场景
论文针对的是一类具体场景：室内服务机器人进入一栋尚未建图的建筑，而建筑布局和任务约束对用户来说早已熟悉。作者把这种情形称为「人熟悉、机器人陌生」。AVALON 的部署前提被压到很低——只需要一张平面图、若干地点线索，以及一次拓扑与里程计的初始对齐，机器人不需要事先在场地里走过一遍，也不需要针对该场地做训练。这一点与依赖机器人自行构建全局 SLAM 地图的做法形成对照：论文明确表示，其视觉深度点目标导航利用已验证的节点到达来做平移重锚定，并不需要机器人自建的全局 SLAM 地图。
记忆如何人机协同
框架由三部分构成：人类播种的分层空间记忆、节点验证的拓扑执行，以及任务触发、证据门控的人机记忆协同更新。协同更新融合的是两类互补信息：人类操作者负责指定视觉无法观测到的任务约束，并报告离线发生的环境改动；机器人则通过主动的现场验证提供物理状态证据。环境改动是否要在任务执行期间由机器人验证，取决于任务相关性。记忆更新由现场采集的感知证据把关，从而把「人类指定的许可」与「机器人观测到的可通行性」明确分开。这一设计把人的先验知识和机器人的实时感知放在不同层级上，而不是简单合并。
实测数据与对比
实验在 Unitree Go2 上进行。AVALON 配合 X-NavDP 完成从交叉口到餐厅、长度 12.81 米的任务，用时 46.4 秒，5 次运行全部成功。作为对比，DimOS-Go2 在同一任务上用时 78.5 秒，5 次中成功 4 次，AVALON 的机器人时间比它少 40.9%。另一个对照是仅使用策略的 X-NavDP，它在全部 5 次运行中都超时。论文用这组数据说明所提拓扑导航框架的表现。需要留意的是，这些结果来自单一任务与单一机器人平台，论文摘要未给出更多场景或更大规模的验证信息。
为什么值得看
给出了不依赖全局 SLAM 建图的室内导航方案，并附具体任务用时与成功率对比，可判断其与现有导航路线的差异。
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。