学习转弯：冠层下机器人鲁棒行间转弯的扩散模仿
Learning to Turn: Diffusion Imitation for Robust Row Turning in Under-Canopy Robots
AI总结：
本文提出基于扩散策略的模仿学习方法，使冠层下农业机器人从示范中学习行间转弯，仿真实验验证了仅用视觉和速度状态完成任务的潜力，同时指出行内控制与初始条件处理仍需改进。
摘要：
冠层下农业机器人需要鲁棒的导航能力以实现完全自主，但由于GPS信号衰减、视觉混叠、遮挡以及复杂的车辆动力学，它们在作物行之间的紧凑转弯中面临困难。我们提出一种模仿学习方法，利用扩散策略从人类操作员或特权控制器提供的示范中学习行间转弯行为。在玉米田环境中的仿真实验表明，仅使用视觉观测和速度状态即可学习该任务，显示出潜力。然而，在保持行内控制和处理多样化初始条件方面仍存在挑战，这为未来改进指明了方向。
英文摘要：
Under-canopy agricultural robots require robust navigation capabilities to enable full autonomy but struggle with tight row turning between crop rows due to degraded GPS reception, visual aliasing, occlusion, and complex vehicle dynamics. We propose an imitation learning approach using diffusion policies to learn row turning behaviors from demonstrations provided by human operators or privileged controllers. Simulation experiments in a corn field environment show potential in learning this task with only visual observations and velocity states. However, challenges remain in maintaining control within rows and handling varied initial conditions, highlighting areas for future improvement.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
