arXiv cs.AI· Yousef Liang, Ryan Ardalan, Yarden Goraly, Chenhao Zhu, Yue Yin, Jonas Frey, Claire Tomlin, Marco Pavone, Shankar Sastry·· 3 天前AI 评分22
GLST：面向在线链式目标导航的全局-局部时空记忆分解框架
GLST: Global-Local Spatio-Temporal Memory Decomposition Framework for Online Chained-Goal Navigation
AI 导读
针对目标在执行中动态变化、且无显式切换信号的在线链式目标导航，研究者提出记忆分解框架 GLST，将潜在信念拆分为全局-局部空间与长-短时序表示以支持长时程推理，并引入目标条件奖励平衡探索与利用。仿真实验在多种地形上优于基线，Spot 四足机器人真机实验进一步验证了该框架。论文已被 CoRL 2026 接收。
正文 · AI 翻译
摘要：真实环境中的自主导航通常需要在部分可观测性和目标不断变化的情况下进行长时程操作。现有的无地图导航方法大多假设整个回合中目标固定不变，这限制了其在实际场景中的适用性，因为在实际场景中目标会在执行过程中在线变化。我们研究了在线链式目标导航，其中目标通过已有目标重定向或新目标出现而演变，且没有明确的转换信号。在这种设定下，我们发现导航可能需要持续探索或策略性重访，从而产生相互冲突的记忆需求。我们提出了全局-局部时空信念学习（GLST），这是一种记忆分解框架，将潜在信念分离为全局-局部空间表示和长-短时程时间表示，以进行长时程推理。我们进一步引入了目标条件奖励，以在不断变化的目标下平衡探索与利用。在不同地形上的大量仿真实验表明，与基线相比，链式目标导航性能有所提升。使用 Spot 四足机器人的真实机器人实验进一步验证了我们的记忆分解框架。
| 评论： | 已被机器人学习会议（CoRL）2026 接收 |
| 主题： | 机器人学（cs.RO）；人工智能（cs.AI） |
| 引用为： | arXiv:2610.17927 [cs.RO] |
| （或 arXiv:2610.17927v1 [cs.RO] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.17927 arXiv 颁发的 DOI，通过 DataCite（待注册） |
提交历史
来自：Yousef Liang [查看电子邮件]
[v1]
2026年10月13日星期二 08:15:12 UTC（5,140 KB）
来源：arXiv cs.AI · arxiv.org