Samuel Foo Enze, Manthan Patel, Fan Yang, Linus Kramer, Pascal Roth, Marco Hutter, Cesar Cadena · 2026 · arXiv
DOI: 10.48550/arXiv.2610.29845 · open-access PDF
وتتطلب روبوتات محددة المتحركة التي تعمل في الملايين والمنشآت المرتبطة بالصراعات أن تكون قادرة على التعامل مع المخاطر المترابطة. في حين أن LiDAR البنغالي يقدم تغطية حولية كاملة، فإن التصميمات التعليميّة داخل التعلم المتمثّل في تعزيز (RL) هي غير فعالة من خلال مكافآت قليلة، وتستخدم أندرويدات الضوء الأسود 3D الموجودة حاليًّا الكثير من الذاكرة لتشكيل نموذج RL متوازن كبير. ونحن نقدم RangeNav، وهو نموذج صغير (183 كيلو متر مربع) من الصور LiDAR التي تم تدريبها بشكل كامل على البيانات النسائية.
Machine translation (Meta M2M100); the English original follows.
Autonomous mobile robots operating in dense crowds and cluttered sites require $360^\circ$ perception to react to surrounding hazards. While panoramic LiDAR offers full-surround coverage, learning representations within reinforcement learning (RL) is sample-inefficient under sparse rewards, and existing 3D pretrained point-cloud encoders are too memory-heavy for massively parallel RL simulation. We present RangeNav, a compact (183k parameters) LiDAR range-image encoder pretrained entirely on synthetic data. RangeNav uses anisotropic convolutions and circular padding to handle the extreme aspec
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=2610.29845, 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