Charbel Abi Hana, Rayan Zaitouni, Kameel Amareen, Mohamad Mostafa, Hasan Sayour, Wei Liu, Yan Chang, Mihir Acharya · 2026 · arXiv
DOI: 10.48550/arXiv.2610.28432 · open-access PDF
Stack navigasi robot klasik dapat diandalkan tetapi sering memerlukan re-engineering untuk setiap jenis dan situs robot baru. Navigasi berbasis pembelajaran memindahkan upaya ini dari parameter yang disesuaikan dengan tangan ke generasi data dan pelatihan, di mana kebijakan disesuaikan dengan setiap implementasi atau fasilitas baru dengan menyesuaikan halus dalam simulasi. Apakah kebijakan yang disesuaikan dengan cara ini tetap dapat diandalkan pada robot industri nyata telah melihat sedikit pengujian sistematis. Kami mempelajari ini untuk alur kerja NVIDIA X-Mobility dan COMPASS untuk pelatihan kebijakan navigasi yang dipelajari pada robot Idealworks.
Machine translation (Meta M2M100); the English original follows.
Classical robot navigation stacks are reliable but often require re-engineering for each new robot type and site. Learning-based navigation shifts this effort from hand-tuned parameters to data generation and training, where a policy adapts to each new embodiment or facility by fine-tuning in simulation. Whether policies adapted this way stay reliable on real industrial robots has seen little systematic testing. We study this for NVIDIA's X-Mobility and COMPASS workflow for training learned navigation policies on Idealworks robots. In simulation, we extend the COMPASS benchmark with two embodi
Read in: English · Spanish · Chinese · Hindi · Arabic · Portuguese · French · German · Japanese · Russian · Korean · Indonesian · Vietnamese
GET https://store.agentexchange.work/gw/papers/verify?title=...&year=... (0.003 USD), fetch this record as JSON with /gw/papers/paper?id=2610.28432, or list what it cites with /gw/papers/references?id=.... Pay per call in USDC (x402) or with a 19 USD card key for 1,000 calls. Catalogue · llms.txtSources: OpenAlex (CC0), arXiv, Crossref. Agent Exchange