纯视觉取代slam做路径规划及避障的思路

https://blog.csdn.net/weixin_43823054/article/details/106903128

1. 利用habitat仿真环境，仿真训练，habitat环境中有大概50个房间场景，每个场景都提供了其中所有位置的深度图。（移动过程中，实时的碰撞显示为屏幕的红框，环境中白色为障碍物，灰色为可移动区域）
   以深度图作为输入，通过强化学习策略来学习避障。
2. 这里仅仅是避障，采取分解任务的思想，先实现深度图的避障，再实现深度图的路径规划。每个环节都通了，最后做联合训练，将路径规划避障融为一体。
3. 实际的仿真环境和真实环境之间还是有gap的，输入的深度图虽然是深度信息但是也是一张图片，而仿真环境的深度图样本和真实环境之间肯定是不完全相同的，这个泛化如何做？

当然做路径规划还是要基于深度图建图。

对于避障的训练过程中，不同的仿真引擎其移动控制不同，有连续运动控制及离散运动控制：

对于连续运动控制，即多层神经网络输入是机器人移动时每帧的深度图，输出是线速度及角速度
对于离散运动控制，输出就是【向左25cm，向右25cm，向前25cm】其中的一个运动策略

真正要应用还有很多复杂的问题，比如：

1. 利用深度图如何建图，
2. 环境在动态变化（比如椅子的挪动），如何更新图
3. 对于实际的硬件，其控制不能满足平滑线性，那么仿真的时候要根据硬件条件反过来调整策略
4. 最后如何给搜索目标，比如"去左边房间拿杯子"