arXiv cs.AI· Ziyue Kang, Zixi Qi, Yuchen Dai, Nana Lv, Xirong Cheng, Liang Liu, Ying Li, Haoyan Wei, Haiyang Yao·· 10 小时前AI 评分24
冻结检测器上的约束世界模型规划:视觉巡检新方法
Worth Another Look:Constrained World-Model Planning for Visual Inspection
AI 导读
研究将冻结检测器上的视觉巡检建模为部分可观测下的神经符号观测规划,把紧凑循环世界模型与精确符号可行性、计费规则解耦。在八个陆地、光学与声呐基准上,多步前瞻在紧预算下优于静态调度与无搜索离线 RL,RUOD 上较静态优先级最高提升 28.4 AP 个百分点,ARIS 上提升 15.1。动态定价以 11 ms 规划开销提升全部八个域的大预算表现,无需重训练即可让冻结检测器成为预算感知的巡检智能体。
正文 · AI 翻译
摘要:野外机器人与环境监测中的视觉巡检必须在严格的计算与传感限制下定位多个目标。穷举扫描会把调用浪费在缺失的类别上,而短视且无搜索的策略会在异构的资费悬崖前受挫,或丢弃那些只有在重新查询后才显现价值的视口编辑。我们将基于冻结检测器的巡检建模为部分可观测性下的神经符号观测规划,将紧凑的循环世界模型(WM)与精确的符号可行性和资费规则解耦。带在线重规划的滚动时域束搜索联合调度类别查询、裁剪、增强和终止(停止),并配合松弛感知的影子定价以及在较大预算下的合法回退。在八个地面、光学和声呐基准上,多步前瞻在紧张预算下优于静态调度和无搜索的离线 RL——在 RUOD 上比静态优先级最高提升 28.4 个 AP 百分点,在 ARIS 上提升 15.1——而动态定价以 11 ms 的规划成本提升了全部八个领域的大预算性能。最终,将轻量学习动力学与精确符号约束配对,使冻结检测器无需重新训练即可成为自适应、预算感知的巡检智能体。
| 主题: | 机器人学(cs.RO);人工智能(cs.AI);机器学习(cs.LG);多媒体(cs.MM) |
| 引用为: | arXiv:2611.24187 [cs.RO] |
| (或 arXiv:2611.24187v1 [cs.RO] 用于此版本) | |
| https://doi.org/10.48550/arXiv.2611.24187 由 DataCite 颁发的 arXiv DOI(待注册) |
提交历史
来自:Ziyue Kang [查看电子邮件]
[v1]
2026年11月18日星期三 10:26:26 UTC(4,964 KB)
来源:arXiv cs.AI · arxiv.org