IEEE RA-L

MacroNav: Multi-Task Context Representation Learning Enables Efficient Navigation in Unknown Environments

MacroNav：多任务上下文表示学习实现未知环境中的高效导航

Kuankuan Sima, Longbin Tang, Zhenyu Yang, Haozhe Ma, Lin Zhao

机构 * Department of Electrical and Computer Engineering（电子与计算机工程系） ； Department of Mechanical Engineering（机械工程系） ； School of Computing（计算学院） ； National University of Singapore（新加坡国立大学） 纠错

AI总结 本文提出MacroNav框架，通过多任务自监督学习和强化学习策略，实现高效导航。实验表明其在成功率和路径长度加权成功率上优于现有方法，且计算效率高。

Comments Accepted by IEEE Robotics and Automation Letters

Zero to Autonomy in Real-Time: Online Adaptation of Dynamics in Unstructured Environments

从零到自主：在无结构环境中动态的在线适应

William Ward, Sarah Etter, Jesse Quattrociocchi, Christian Ellis, Adam J. Thorpe, Ufuk Topcu

机构 * Oden Institute for Computational Engineering & Science, University of Texas at Austin（德纳学院计算工程与科学研究所，德克萨斯大学奥斯汀分校） ； Department of Computer Science, University of Texas at Austin（计算机科学系，德克萨斯大学奥斯汀分校） ； DEVCOM Army Research Laboratory（陆军研究实验室） 纠错

AI总结 本文提出了一种结合函数编码器和递推最小二乘法的在线适应方法，通过流式里程计更新潜变量，实现实时动态适应，提升在无结构环境中的安全性和规划效率。

Comments Initial submission to RA-L