正文
LM-Nav项目利用大型预训练模型来改进机器人导航任务。通过集成大型语言模型和视觉模型，LM-Nav实现了更高效的路径规划和环境理解。该项目展示了如何通过预训练的深度学习模型增强机器人在未知环境中的导航能力，特别是在复杂的动态场景中。
2.2 Visual Language Maps for Robot Navigation
2.2.1链接:
Visual Language Maps for Robot Navigation
（https://vlmaps.github.io/）
2.2.2工作概述:
该项目提出了一种视觉语言地图的方法，通过将视觉信息与语言描述结合，改进了机器人导航的精度。Visual Language Maps允许机器人通过自然语言指令来理解和探索环境，从而在导航过程中更好地执行任务。这种方法对提高机器人在复杂和动态环境中的表现具有重要意义。
2.3 ConceptFusion: Open-set Multimodal 3D Mapping
2.3.1链接:
ConceptFusion
（https://concept-fusion.github.io/）
2.3.2工作概述:
ConceptFusion项目致力于开放集多模态三维映射。该研究结合了视觉、语言和其他传感器数据，创建了一个能够处理开放集环境的三维地图。这种方法支持机器人在多变的环境中进行自适应导航，并能够处理未见过的物体和场景。
2.4 ESC: Exploration with Soft Commonsense Constraints for Zero-shot Object Navigation
2.4.1链接:
ESC
（https://sites.google.com/ucsc.edu/escnav/home）
2.4.2工作概述:
ESC项目专注于通过软常识约束来进行零-shot对象导航。该方法利用常识知识来帮助机器人在没有先验知识的情况下导航到目标对象。通过引入常识约束，ESC能够提升机器人在处理未知目标时的导航能力，并减少对训练数据的依赖。
2.5 ViNG: Learning Open-World Navigation with Visual Goals
2.5.1链接:
ViNG
（https://sites.google.com/view/ving-robot/）
2.5.2工作概述:
ViNG项目探索了基于视觉目标的开放世界导航。该方法通过学习视觉目标和环境特征，使机器人能够在没有明确地图或预定义目标的情况下进行导航。ViNG的目标是提升机器人在动态和未知环境中的自适应能力，支持机器人自主探索和任务执行。
2.6 RECON: Learning to Explore the Real World with a Ground Robot
2.6.1链接:
RECON
（https://sites.google.com/view/recon-robot）
2.6.2工作概述:
RECON项目专注于在真实世界中探索和导航。该研究开发了用于地面机器人的探索算法，支持机器人在未标定环境中进行自主学习和导航。RECON的目标是提高机器人在实际应用中的探索效率，并解决现实环境中的复杂导航问题。
2.7 ViKiNG: Vision-Based Kilometer-Scale Navigation with Geographic Hints
2.7.1链接:
ViKiNG
（https://sites.google.com/view/viking-release）
2.7.2工作概述:
ViKiNG项目致力于公里尺度的视觉导航，结合地理提示来改进长距离导航能力。该方法利用视觉信息和地理数据来进行大范围的导航和路径规划，适用于长距离移动和大规模环境中的自主导航。
2.8 General Navigation Models
2.8.1链接:
General Navigation Models
（https://general-navigation-models.github.io/）
2.8.2工作概述:
General Navigation Models项目致力于开发通用导航模型。这些模型旨在提供一种统一的导航框架，可以应用于各种环境和任务。该项目汇集了不同导航策略和模型的研究，支持跨领域的导航应用和技术转移。
3.1 Humanoid-Gym 框架
Humanoid-Gym 框架通过其精心设计的奖励函数以及域随机化技术，有望显著简化人形机器人的训练，并降低 sim-to-real 转换的难度。这个框架结合了先进的强化学习技术和高效的仿真环境，提供了一种系统化的方法来提高人形机器人的自主学习能力。其主要优势包括：
3.1.1奖励函数设计：
通过精心设计的奖励函数，Humanoid-Gym 能够引导人形机器人在仿真环境中逐步学习和优化其行为。这种设计使得机器人能够在训练过程中获得有意义的反馈，从而加速学习过程。
3.1.2域随机化：
域随机化技术通过引入多种环境变异，提升了机器人在真实世界中的适应能力。这一技术的应用能够有效地减少因训练环境与真实环境之间的差异所带来的性能下降问题。
3.1.3Sim-to-Real 转换：
Humanoid-Gym 提供了一种有效的 sim-to-real 转换策略，使得在仿真中训练的机器人策略能够无缝地迁移到实际机器人上。这一过程通过减少仿真和现实环境之间的差距来实现，从而提高了实际应用中的成功率。
