Aprendizaje de Políticas Jerárquicas en Línea utilizando Priors Físicos para la Navegación de Robots en Entornos Desconocidos

La navegación de robots en entornos interiores grandes, complejos y desconocidos es un problema desafiante. Los enfoques existentes, como los métodos tradicionales basados en muestreo, luchan con el control de resolución y la escalabilidad, mientras que los métodos basados en aprendizaje por imitación requieren una gran cantidad de datos de demostración. Los Campos Neurales Activos (ANTFields) han surgido recientemente como una solución prometedora al utilizar observaciones locales para aprender funciones de costo sin depender de demostraciones. A pesar de su potencial, estos métodos se ven obstaculizados por desafíos como el sesgo espectral y el olvido catastrófico, que disminuyen su efectividad en escenarios complejos. Para abordar estos problemas, nuestro enfoque descompone el problema de planificación en una estructura jerárquica. A un alto nivel, un gráfico escaso captura la conectividad global del entorno, mientras que a un bajo nivel, un planificador basado en campos neuronales navega obstáculos locales resolviendo la PDE de Eikonal. Esta estrategia informada por la física supera obstáculos comunes como el sesgo espectral y las dificultades de ajuste de campos neuronales, resultando en una representación suave y precisa del paisaje de costos. Validamos nuestro marco en entornos a gran escala, demostrando su mejorada adaptabilidad y precisión en comparación con métodos anteriores, y destacando su potencial para exploración en línea, mapeo y navegación en el mundo real.