CREStE는 학습 기반의 확장 가능한 지도 없는 탐색 프레임워크로, 야외 도시 탐색에서의 열린 세계 일반화 및 강건성 문제를 해결합니다. 이를 달성하는 핵심은 열린 집합 요소(예: 새로운 의미 클래스, 지형, 동적 개체)에 일반화되는 지각 표현을 학습하고 제한된 데모에서 전문가와 일치하는 탐색 비용을 추론하는 것입니다. CREStE는 열린 집합 구조화된 조감도 지각 표현을 학습하기 위한 시각적 기반 모델(VFM) 증류 목표와 반사실적 역 강화 학습(IRL)을 도입하여 이러한 문제를 모두 해결합니다. 반사실적 역 강화 학습은 탐색 비용을 추론할 때 가장 중요한 단서를 추론하기 위해 반사실적 궤적 데모를 사용하는 새로운 능동 학습 공식입니다. CREStE는 다양한 도시, 오프로드 및 주거 환경에서 킬로미터 단위의 지도 없는 탐색 작업에 대해 평가되었으며, 인간 개입을 70% 줄이고, 단 1회의 개입으로 미지의 환경에서 2km 미션을 수행하는 등 최첨단 접근 방식을 모두 능가하는 것으로 나타났습니다.
