CeDR-Nav: Cross-Embodiment Mapless Navigation via Offline Demonstration Recasting
作者: Xianghui Wang, Xinming Zhang, Yiwei Qian, Siwei Cheng, Shanze Wang, Dan Zhang, Wei Zhang
分类: cs.RO
发布日期: 2026-10-09
💡 一句话要点
提出CeDR-Nav以解决跨实体无图导航问题
🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture) 支柱七：动作重定向 (Motion Retargeting)
关键词: 无图导航 跨实体学习 机器人导航 演示重构 高斯混合模型 自主导航 机器学习
📋 核心要点
- 现有的无图导航方法在跨实体应用中存在局限性，通常需要耗时的在线训练，且效果不佳。
- CeDR-Nav通过重构源演示，利用几何一致的缩放和有效性评估，为每个目标实体训练专用导航策略。
- 实验结果显示，CeDR-Nav在跨实体仿真中成功率提高了13.8个百分点，且目标特定策略训练速度极快。
📝 摘要（中文）
基于学习的方法在无图机器人导航中表现出色，但训练的策略仅限于其所训练的实体。许多跨实体导航方法需要耗时的在线训练，且仍可能表现不佳。本文提出CeDR-Nav，一个跨实体演示重构框架，能够从现有的源演示中为每个目标实体训练专用导航策略，而无需在线数据收集。通过几何一致的缩放和每个演示的有效性评估，将源演示转换为目标训练数据，并利用目标特定的高斯混合策略生成可行的避障动作。大量的定量仿真和多机器人平台的实际部署证明了CeDR-Nav的有效性，跨实体仿真中成功率平均提高了13.8个百分点，目标特定策略训练在几秒内完成。
🔬 方法详解
问题定义：本文旨在解决现有无图导航策略在跨实体应用中的局限性，特别是由于实体不匹配导致的演示重用困难。现有方法通常需要耗时的在线训练，且效果不理想。
核心思路：CeDR-Nav的核心思路是通过重构源演示，将其转化为适用于目标实体的训练数据，从而避免在线数据收集的需求。通过几何一致的缩放和有效性评估，确保源演示能够有效指导目标策略的学习。
技术框架：CeDR-Nav的整体架构包括源演示的重构模块和目标特定策略生成模块。首先，对源演示进行几何一致的缩放和有效性评估，然后利用高斯混合模型生成适应目标实体的导航策略。
关键创新：CeDR-Nav的主要创新在于其能够在不进行在线训练的情况下，利用源演示有效地为不同目标实体生成导航策略。这一方法显著提高了跨实体导航的灵活性和效率。
关键设计：在设计中，采用了几何一致的缩放策略，并引入了每个演示的有效性评估机制，以确保生成的训练数据具有高质量。此外，目标特定的高斯混合策略在避障动作生成中发挥了重要作用。
🖼️ 关键图片
📊 实验亮点
CeDR-Nav在实验中表现出色，跨实体仿真中成功率平均提高了13.8个百分点，相较于基线DRL-DCLP，显示出显著的性能提升。此外，目标特定策略的训练时间仅需几秒，极大地提高了效率。
🎯 应用场景
CeDR-Nav的研究成果在多种机器人平台的导航任务中具有广泛的应用潜力。其能够有效地将已有的导航经验转化为不同实体的导航策略，适用于服务机器人、无人驾驶车辆等领域，提升了机器人在复杂环境中的自主导航能力。未来，该框架还可以扩展到更多类型的机器人和导航场景中，推动智能机器人技术的发展。
📄 摘要（原文）
Learning-based methods have demonstrated strong performance in mapless robot navigation. However, a learned policy remains restricted to the embodiment on which it was trained. Many cross-embodiment navigation methods require time-consuming online training and can still underperform target-specific policies. In fact, demonstrations collected on a source embodiment already contain navigation experience that is potentially reusable for deriving a policy for each target embodiment, but the embodiment mismatch prevents these demonstrations from directly serving as valid supervision for the target. In this article, we present CeDR-Nav, a cross-embodiment demonstration recasting framework that trains a dedicated navigation policy for each target embodiment from existing source demonstrations without online data collection. Geometry-consistent scaling with per-demonstration validity assessment converts the source demonstrations into target training data, and a target-specific Gaussian mixture policy generates feasible avoidance maneuvers for each target embodiment. Extensive quantitative simulations and real-world deployments across multiple robot platforms demonstrate the effectiveness of CeDR-Nav, with an average success-rate gain of 13.8 percentage points over DRL-DCLP in cross-embodiment simulations and target-specific policy training completed within seconds.