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
As pilhas de navegação robótica clássicas são confiáveis, mas muitas vezes requerem re-engenharia para cada novo tipo de robô e local. A navegação baseada em aprendizagem muda esse esforço de parâmetros ajustados à mão para geração de dados e treinamento, onde uma política se adapta a cada nova implementação ou instalação por ajuste em simulação. Se as políticas adaptadas desta forma permanecem confiáveis em robôs industriais reais tem visto pouco teste sistemático. Estudamos isso para o fluxo de trabalho X-Mobility e COMPASS da NVIDIA para treinamento de políticas de navegação aprendidas em robôs 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