AINav：基于大型语言模型的自适应交互式导航

于红博

摘要: 复杂环境中的机器人导航仍然是一个关键的研究挑战。传统导航方法侧重于在固定自由工作空间内生成最佳路径，因此在缺乏可行路径到达目标的环境中遇到困难，例如灾难区域或拥挤的仓库。为解决这一问题，我们提出了AINav，一种自适应交互式导航方法，可以主动与环境进行交互，创建可行路径以实现最初无法到达的目标。具体而言，我们提出了一个基于大型语言模型（LLMs）的任务规划原始技能树，有助于有效推理，确定交互对象和顺序。为了确保强大的子任务执行，我们采用强化学习来预先训练一个包含多功能运动和交互行为的全面技能库，用于运动规划。此外，我们引入了一种自适应重新规划方法，其中包括两个基于LLM的模块：一个充当灵活重新规划触发器的顾问和一个用于自主计划调整的植物学家。与树状结构集成，重新规划机制允许方便地添加和修剪节点，在事先未知的环境中实现快速计划适应。全面的模拟和实验已经证明了AINav在各种场景中的有效性和适应性。补充视频可在以下链接观看：https://youtu.be/CjXm5KFx9AI。

更新时间: 2025-12-31 09:40:34

领域: cs.RO,cs.AI

下载: http://arxiv.org/abs/2503.22942v2