arXiv · cs.AI· Yousef Liang, Ryan Ardalan, Yarden Goraly, Chenhao Zhu, Yue Yin, Jonas Frey, Claire Tomlin, Marco Pavone, Shankar Sastry·· 8 小时前
GLST提出全局—局部时空记忆分解框架用于在线链式目标导航
GLST: Global-Local Spatio-Temporal Memory Decomposition Framework for Online Chained-Goal Navigation
arXiv:2610.17927v1阅读论文 PDF ↗
仅依据论文摘要整理；未读取全文，实验条件、证明与基准细节请核对原文。
作者：Yousef Liang, Ryan Ardalan, Yarden Goraly, Chenhao Zhu, Yue Yin, Jonas Frey, Claire Tomlin, Marco Pavone, Shankar Sastry
研究任务与主要进展
研究提出 GLST（Global-Local Spatio-Temporal Belief Learning），将潜在信念分解为全局—局部空间表示和长期—短期时间表示，以支持目标在线变化条件下的长时导航。方法引入目标条件奖励，在多种地形仿真中相较基线提升链式目标导航表现，并在 Spot 四足机器人实验中验证了记忆分解框架；具体实验细节和资源条件在摘要中未说明。
阶段、条件与复现 · 深读核对
- 新能力对应什么具体任务与最小输入输出？
- 代码、模型、数据、许可与可用入口是否明确？
- 效果、总成本、失效条件与实际工作流如何验证？
这些是阅读核对问题；材料未说明的条件保留未知。请结合上方论文版本、资料范围与原文核验。
来源：arXiv · cs.AI · arxiv.org