AutoPath：无需人类演示的可迁移目标条件随机路径先验用于安全导航

arXiv发表论文提出AutoPath，一种无需人类演示即可学习可迁移目标条件随机路径先验的导航方法。该方法将导航建模为学习一种先验分布，该分布能够根据局部观测生成与目标对齐且几何一致的局部路径，从而实现对多种可行路径的结构化采样。研究团队引入目标对齐规范状态表示，去除平面内旋转模糊性，并相对于目标归一化局部几何，实现旋转不变的路径分布学习。同时开发结构化先验学习框架，使用几何感知的极坐标系动作空间参数化局部路径，并结合多目标分布 rollout 的风险敏感效用整形，实现稳定且安全的规划。实验表明，在密集静态环境和动态行人场景中，该方法始终保持高成功率与竞争效率，且差分驱动机器人上学习到的单一路径先验可直接迁移至四足平台而无需重新训练。