论文arXiv 2611.243753 天前
SearchDiffusion:基于效用图引导扩散规划实现95.6%目标搜索率
本文由 AI 根据公开内容整理,可能有误,请以原文为准:SearchDiffusion: Information-Guided Diffusion Planning for Object Search(arXiv 2611.24375)
核心内容
针对未知环境物体搜索难题,研究提出SearchDiffusion扩散规划框架。该方法通过学习稠密效用地图表征几何可达性、有效可视性与语义进度,以此条件化生成位置与航向轨迹并提供采样引导目标。在24种布局的90项仿真任务中,该算法实现95.6%的目标检测成功率,尽管计算开销有所增加,但证明了结合学习型空间效用与引导式轨迹生成的有效性。
系统架构融合了几何与航向引导、有效性检查及解析选择机制以支持执行。消融实验证实效用图与引导机制具有互补收益,而运行时地图假设对检测率提升有限。在基于OneMap相关性地图的四足机器人物理实验中,未经真机数据微调即完成10次测试中的8次成功搜索(操作员评估),表明该算法具备从仿真到实机的零样本迁移能力,适用于传感器视野受限场景。
关键看点
- 核心性能:在24种布局90项仿真任务中目标检测率达95.6%,验证了扩散模型结合效用图在部分可观测搜索任务中的高成功率。
- 技术机制:利用学习的稠密效用图表征几何可达性与语义进度,作为扩散规划器的条件输入与采样引导目标,生成包含位置和航向的完整轨迹。
- 实机验证:四足机器人10次物理试验8次成功,直接使用OneMap相关性地图且无需真机微调,证实了Sim-to-Real零样本迁移的工程可行性。
- 消融结论:效用图与引导机制对性能有互补增益,但运行时生成的地图假设对检测率提升有限,提示工程落地应优先保障基础效用图质量。
工程与产业观察
该工作为具身主动感知提供了新范式:将语义与几何先验编码为稠密效用图并嵌入扩散规划,解决了传统方法在部分可观测下探索效率低的问题。95.6%仿真成功率与80%真机零样本迁移率表明,高质量的空间效用表征比复杂的在线建图假设更具工程价值,为四足等移动机器人在未知环境的自主搜索提供了可复现的算法基准。
英文摘要 (Abstract)
Object search in unknown environments requires robots to gather useful observations while avoiding obstacles and accounting for limited sensor visibility. We present SearchDiffusion, a diffusion-based planner that generates position and heading trajectories using a learned dense utility map. The map represents geometric accessibility, useful visibility, and semantic progress. It conditions trajectory generation and provides an objective for sampling guidance. Sampled map hypotheses provide additional geometric context, while geometric and heading guidance, validity checks, and analytical selection support execution. Across 90 simulated tasks on 24 map layouts, SearchDiffusion achieved 95.6% target detection at greater computational cost. Ablations show complementary benefits from utility and guidance, with limited additional detection benefit from runtime map hypotheses. In ten physical quadruped trials using OneMap relevance maps, eight were successful under operator assessment, without fine-tuning on real-robot data. These results support combining learned spatial utility with guided trajectory generation for object search under partial observability.
作者:Sausar Karaf, Dmitrii Plotnikov, Alexey Kotcov, Dzmitry Tsetserukou
外部来源
本页事实对应的公开页面,以原文为准。(点击将离开本站)