日本語タイトル#
FlowNav：流れのマッチングと深度の事前情報を組み合わせた効率的なナビゲーション
英文タイトル#
FlowNav: Combining Flow Matching and Depth Priors for Efficient Navigation
日本語要約#
未見の環境での効果的なロボットナビゲーションは、高頻度での正確な制御動作を必要とする挑戦的なタスクです。最近の進展は、ロボットが正面の RGB 画像を使用してナビゲーション動作を生成する画像目標条件制御問題としてこれを捉えています。この分野の最新の手法は、これらの制御動作を生成するために拡散ポリシーを使用しています。これらの結果は有望ですが、これらのモデルは計算コストが高く、知覚能力が弱いという欠点があります。これらの制限に対処するために、私たちは FlowNav を提案します。これは、既製の基盤モデルからの CFM と深度の事前情報を組み合わせてロボットナビゲーションの動作ポリシーを学習する新しいアプローチです。FlowNav は、ナビゲーションと探索において最新の手法よりも正確で迅速です。私たちは、複数の環境での実際のロボット実験を通じて私たちの貢献を検証し、ナビゲーションの信頼性と正確性の向上を示しました。コードと訓練済みモデルは公開されています。
英文要約#
Effective robot navigation in unseen environments is a challenging task that requires precise control actions at high frequencies. Recent advances have framed it as an image-goal-conditioned control problem, where the robot generates navigation actions using frontal RGB images. Current state-of-the-art methods in this area use diffusion policies to generate these control actions. Despite their promising results, these models are computationally expensive and suffer from weak perception. To address these limitations, we present FlowNav, a novel approach that uses a combination of CFM and depth priors from off-the-shelf foundation models to learn action policies for robot navigation. FlowNav is significantly more accurate and faster at navigation and exploration than state-of-the-art methods. We validate our contributions using real robot experiments in multiple environments, demonstrating improved navigation reliability and accuracy. Code and trained models are publicly available.
PDF 取得#
抖音で QR コードをスキャンしてさらに素晴らしいコンテンツを見る