Acting from Belief, Looking When Needed: A Bayesian Spatial World Model for Navigation under Intermittent Perception
作者: Feihong Yang, Xiang Long, Jincheng Yu, Jianfei Zhang, Guangjun Ge, Chao Wang, Yu Wang
分类: cs.RO
发布日期: 2026-10-08
💡 一句话要点
提出ALONE模型以解决间歇感知下的机器人导航问题
🎯 匹配领域: 支柱一：机器人控制 (Robot Control) 支柱二：RL算法与架构 (RL & Architecture)
关键词: 贝叶斯模型 机器人导航 间歇感知 空间信念 无人机 运动规划 深度学习
📋 核心要点
- 现有的导航方法依赖于高频率的传感器，导致在其他任务占用传感器时导航信息中断，影响导航性能。
- 论文提出的ALONE模型通过内部空间信念进行导航，仅在需要新观测时才请求传感器数据，从而优化资源使用。
- 在模拟场景中，ALONE模型在10Hz决策频率下实现了98%和97%的闭环成功率，显示出高效的导航能力。
📝 摘要（中文）
机器人导航通常依赖于广覆盖、高频率的传感器来减少部分可观测性，但当其他任务暂时占用共享传感器时，这种依赖会变得限制性。本文研究了在间歇感知下的导航问题，提出了一种名为ALONE的贝叶斯空间世界模型，通过执行的动作传播结构化空间信念，并通过选择性获取的观测进行修正。ALONE在无人机导航中实现，成功率达到98%和97%，并在实际室内飞行实验中验证了其有效性。
🔬 方法详解
问题定义：本论文旨在解决在间歇性感知条件下的机器人导航问题。现有方法在传感器被其他任务占用时，无法获取导航所需的实时信息，导致导航性能下降。
核心思路：ALONE模型通过内部空间信念进行导航，只有在执行过程中需要新观测时才请求传感器数据，从而减少对传感器的依赖，优化其使用效率。
技术框架：ALONE模型的整体架构包括空间信念的传播模块、选择性观测获取模块和运动规划模块。空间信念通过执行的动作进行传播，并在必要时通过新观测进行修正。
关键创新：ALONE的主要创新在于其选择性请求观测的机制，只有在信念的可靠性不足时才进行观测，这与传统方法的高频率观测策略形成鲜明对比。
关键设计：模型中使用了学习的先验知识来推断未观测的结构，并通过运动规划模块解码信念为空间估计。同时，模型还生成可靠性图以表达估计的准确性。
🖼️ 关键图片
📊 实验亮点
在模拟实验中，ALONE模型在10Hz的决策频率下实现了98%和97%的闭环成功率，成功试验中仅有0.9%和1.3%的决策步骤需要新的深度观测，显示出显著的导航成功率和低观测需求。
🎯 应用场景
该研究的潜在应用领域包括无人机导航、自动驾驶和机器人探索等场景，能够在资源有限的情况下实现高效的导航。未来，ALONE模型可能在复杂环境下的自主决策中发挥重要作用，提升机器人在动态任务中的适应能力。
📄 摘要（原文）
Robot navigation commonly uses wide-coverage, high-frequency sensing to reduce partial observability; this reliance becomes restrictive when another task temporarily redirects a shared sensor from navigation, interrupting navigation-relevant observations. We study navigation under intermittent perception: acting from an internal spatial belief and looking again only when execution needs a new observation, potentially freeing the shared sensor for other tasks between navigation observations. ALONE, a Bayesian spatial world model, propagates a structured spatial belief using executed actions and corrects it with selectively acquired observations; learned priors over common geometric structures infer unobserved structure from available observation history. It decodes the belief into a spatial estimate for the motion-planning module and predicts a reliability map expressing confidence in the estimate's accuracy. ALONE requests an observation only if insufficient reliability hinders navigation and new evidence should make relevant-region spatial information more reliable; otherwise, it continues acting from the propagated belief. We instantiate ALONE for drone navigation with intermittent single-camera depth images. Across two simulated scene families, it achieves 98% and 97% closed-loop success at a 10 Hz decision rate. Among successful trials, median fractions of decision steps requiring a new depth observation are only 0.9% and 1.3%, respectively, demonstrating high navigation success with substantially reduced observation demand. Real-world indoor flight experiments further validate navigation under intermittent depth observations, with all 10 trials successful.