TOP-Nav: Legged Navigation Integrating Terrain, Obstacle and Proprioception Estimation

这段摘要讨论了四足机器人在开放式、越野和具有挑战性的环境中的导航问题。在这些情境中，估计外部干扰需要综合多模态信息。这突显了现有工作的一个主要局限性，即主要关注避免障碍物。本文提出了一种新颖的四足导航框架TOP-Nav，它将全面路径规划器与地形感知、避障和闭环本体感知相结合。TOP-Nav强调了视觉和本体感知在路径和运动规划中的协同作用。在路径规划器中，我们提出并集成了一个地形估计器，使机器人能够选择具有更高可行性的地形航点，同时有效地避开障碍物。在运动规划层面上，我们不仅实现了一个运动控制器来跟踪导航命令，还构建了一个本体感知顾问为路径规划器提供运动评估。基于闭环运动反馈，我们对基于视觉的地形和障碍物估计进行在线校正。因此，TOP-Nav实现了机器人可以处理先前知识分布之外的地形或干扰的开放式导航，并克服了视觉条件所带来的限制。基于在仿真和实际环境中进行的广泛实验，TOP-Nav在开放式导航方面表现出优异的性能，相比现有方法更胜一筹。

TOP-Nav论文试图解决开放世界、复杂环境下腿式机器人导航的问题，主要集中在避免障碍物方面的研究存在局限性。

TOP-Nav提出了一种新的腿式机器人导航框架，将路径规划、地形感知、避障和闭环本体感知相结合，强调视觉和本体感知在路径和运动规划中的协同作用。

论文在路径规划中提出了一种地形估计器，使机器人能够在具有更高可行性的地形上选择航点，同时有效避免障碍物。在运动规划层面，不仅实现了运动控制器以跟踪导航命令，还构建了本体感知顾问，为路径规划提供运动评估。TOP-Nav在模拟和实际环境中进行了广泛实验，表现出对开放世界导航的优越性能。

最近在这个领域中，还有一些相关研究，如基于深度学习的机器人导航，深度强化学习的机器人导航等。