RangeNav: Task-Aligned LiDAR Range-Image Pretraining for Robot Navigation
作者: Samuel Foo Enze, Manthan Patel, Fan Yang, Linus Kramer, Pascal Roth, Marco Hutter, Cesar Cadena
分类: cs.RO, cs.LG
发布日期: 2026-10-21
备注: 9 pages, 6 figures, 5 tables. Submitted to ICRA 2027; under review
💡 一句话要点
提出RangeNav以解决稀疏奖励下的导航任务
🎯 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: LiDAR 自主导航 强化学习 深度学习 机器人技术 多任务学习 语义分割 鸟瞰图预测
📋 核心要点
- 现有的3D预训练点云编码器在大规模并行强化学习仿真中内存占用过高，且在稀疏奖励下学习效率低下。
- RangeNav通过使用各向异性卷积和圆形填充设计了一个紧凑的LiDAR范围图像编码器，结合多种任务目标进行预训练。
- 在仿真中，增加语义和BEV监督使成功率显著提高，零样本部署展示了在复杂环境中的优越导航能力。
📝 摘要（中文）
自主移动机器人在密集人群和杂乱环境中需要360度感知以应对周围危险。虽然全景LiDAR提供了全方位覆盖，但在稀疏奖励下，强化学习（RL）学习表示的样本效率较低，现有的3D预训练点云编码器在大规模并行RL仿真中内存占用过高。本文提出了RangeNav，一个紧凑的LiDAR范围图像编码器，完全基于合成数据进行预训练。RangeNav采用各向异性卷积和圆形填充来处理范围图像的极端纵横比和方位接缝。我们使用结合范围重建、语义分割和鸟瞰图（BEV）预测的导航对齐目标对网络进行预训练，然后将其冻结以进行策略学习。在仿真中，增加语义和BEV监督使成功率在程序生成的训练和超出分布的真实测试环境中分别比仅重建基线提高了32.03和23.73个百分点。零样本真实世界部署在Unitree B2-W四足机器人上展示了在密集人群、低光照环境和施工区域的稳健导航能力，克服了有限视野深度策略的局限。代码和模型将开源。
🔬 方法详解
问题定义：本文旨在解决自主移动机器人在复杂环境中导航的挑战，尤其是在稀疏奖励情况下的学习效率低下和现有3D编码器的高内存占用问题。
核心思路：论文提出了RangeNav，一个基于合成数据的紧凑型LiDAR范围图像编码器，采用各向异性卷积和圆形填充来处理范围图像的特殊结构，结合多任务目标进行预训练以提高学习效率。
技术框架：整体架构包括三个主要模块：范围重建、语义分割和鸟瞰图（BEV）预测。首先，使用合成数据对网络进行预训练，然后在策略学习阶段冻结网络以提高学习效率。
关键创新：RangeNav的主要创新在于其紧凑的网络结构（仅183k参数）和针对范围图像的特殊处理方法，使其在内存占用和学习效率上优于现有方法。
关键设计：采用各向异性卷积和圆形填充以适应范围图像的极端纵横比和接缝，损失函数结合了范围重建、语义分割和BEV预测，确保多任务学习的有效性。
🖼️ 关键图片
📊 实验亮点
实验结果表明，增加语义和BEV监督后，成功率在程序生成的训练环境中提高了32.03个百分点，在超出分布的真实测试环境中提高了23.73个百分点。零样本部署在Unitree B2-W四足机器人上展示了其在复杂环境中的稳健性，显著优于传统有限视野深度策略。
🎯 应用场景
该研究的潜在应用领域包括自主导航机器人在复杂环境中的应用，如人群密集的公共场所、低光照条件下的室内外导航以及施工区域的安全监控。通过提高机器人在这些环境中的导航能力，RangeNav有望推动智能机器人在实际应用中的广泛部署和使用。
📄 摘要（原文）
Autonomous mobile robots operating in dense crowds and cluttered sites require $360^\circ$ perception to react to surrounding hazards. While panoramic LiDAR offers full-surround coverage, learning representations within reinforcement learning (RL) is sample-inefficient under sparse rewards, and existing 3D pretrained point-cloud encoders are too memory-heavy for massively parallel RL simulation. We present RangeNav, a compact (183k parameters) LiDAR range-image encoder pretrained entirely on synthetic data. RangeNav uses anisotropic convolutions and circular padding to handle the extreme aspect ratio and azimuthal seam of range images. We pretrain the network using a navigation-aligned objective combining range reconstruction, semantic segmentation, and bird's-eye-view (BEV) prediction, then freeze it for policy learning. In simulation, adding semantic and BEV supervision increases success rates over a reconstruction-only baseline by an average of 32.03 and 23.73 percentage points (pp) in procedurally generated training and out-of-distribution realistic test environments, respectively. Zero-shot real-world deployments on a Unitree B2-W quadruped demonstrate robust navigation through dense crowds, low-light settings, and construction zones where limited-field-of-view depth policies struggle. Code and models will be open-sourced.