NeuPAN: Direct Point Robot Navigation with End-to-End Model-based Learning

本文介绍了一种名为NeuPAN的机器人导航解决方案，它是实时、高精度、无地图、机器人无关和环境不变的。与现有方法相比，NeuPAN具有两个关键创新：1）它直接将原始点映射到学习的多帧距离空间，避免了从感知到控制的误差传播；2）它可以从端到端的基于模型的学习视角进行解释，实现可证明的收敛。NeuPAN的关键在于使用带有循环神经元的插拔式（PnP）近端交替最小化网络（PAN）来解决具有各种点级约束的高维端到端数学模型。这使得NeuPAN可以直接从点云生成实时、端到端、物理可解释的运动，无缝集成数据和知识引擎，其中它的网络参数通过反向传播进行调整。我们在仿真和实际环境中对汽车型机器人、轮式机器人和乘客自动驾驶车辆进行了评估。实验表明，NeuPAN在准确性、效率、鲁棒性和在各种环境下的泛化能力方面优于各种基准，包括杂乱的沙箱、办公室、走廊和停车场。我们展示了NeuPAN在具有任意形状的无法检测物体的非结构化环境中表现良好，使无法通过的路变得可通过。

解决问题：本文提出了NeuPAN，一种实时、高精度、无地图、机器人不可知、环境不变的机器人导航解决方案，旨在解决在杂乱环境中导航非完整机器人需要极其准确的感知和运动控制的问题。

关键思路：NeuPAN的关键创新在于：1）直接将原始点映射到学习的多帧距离空间，避免了从感知到控制的误差传播；2）从端到端的基于模型的学习角度解释，实现可证明的收敛。NeuPAN的核心是使用插入式和播放（PnP）近端交替最小化网络（PAN）解决具有各种点级约束的高维端到端数学模型，其中神经元在循环中。

亮点：本文使用NeuPAN在模拟和实际环境中对汽车式机器人、轮式腿式机器人和乘客自动驾驶车辆进行了评估。实验表明，NeuPAN在准确性、效率、鲁棒性和各种环境的泛化能力方面优于各种基准测试。本文还展示了NeuPAN在具有任意形状不可检测对象的非结构化环境中的良好表现，使无法通过的路径可通过。

相关研究：最近的相关研究包括：1）使用深度强化学习进行机器人导航；2）使用视觉SLAM解决机器人导航问题；3）使用深度学习进行障碍物检测和避障。相关论文包括：1）《End-to-End Training of Deep Visuomotor Policies》；2）《Visual SLAM: Why Bundle Adjustments Resilient to Bad Initializations》；3）《Deep Reinforcement Learning for Vision-Based Robotic Grasping: A Simulated Comparative Evaluation》。