← 返回论文列表

面向开放世界环境的自监督在线机器人无关可通行性估计
Self-Supervised Online Robot-Agnostic Traversability Estimation for Open-World Environments

作者: Julia Hindel, Simon Bultmann, Houman Masnavi 等5人
arXiv: 2605.28442v1
分类: cs.RO, cs.CV
📝 论文摘要
自监督在线可穿越性估计使机器人能够持续从无标签的开放世界经验中学习，并调整其导航行为以实现安全高效的轨迹。现有方法要么依赖手工设计的本体感知可穿越性分数（限制了与机器人的无关性），要么对先验数据进行聚类（妨碍了在线学习）。此外，许多持续学习方法会带来显著的内存和计算开销，阻碍了机载部署。我们提出了COTRATE，一个从多模态无标签机器人经验中进行持续可穿越性估计的在线学习框架。该方法首先利用一个基于学习的、与机器人无关的在线地形评估模块（基于本体感知和惯性信号）推断鲁棒的可穿越性分数。随后，这些分数通过一种新颖的对齐损失来监督视觉可穿越性网络，该损失将视觉嵌入与在线地形评估相关联。为了在持续学习过程中以最小开销缓解遗忘问题，我们提出了一种多样性感知的特征选择策略，通过紧凑的回放记忆保持性能。我们进一步表明，学习到的可穿越性表示支持在不同运动学特性的机器人平台间进行知识迁移。我们在一个包含约5万张图像的数据集上评估了COTRATE，这些图像由两个机器人平台在11种户外地形中采集，并在三个代表性户外环境中对其导航任务进行了基准测试。我们将数据集、代码和训练模型公开。

📊 核心分析

🎯 研究动机
- 现有**自我监督在线穿越估计(self-supervised online traversability estimation)** 方法要么依赖手工设计的本体感受穿越分数，限制了**机器人无关性(robot-agnostic)**，要么聚类先验数据，阻碍了**在线学习(online learning)** - 许多**持续学习方法(continual learning methods)** 需要大量内存和计算成本，不利于**板载部署(onboard deployment)** - 需要一种能持续从无标签开放世界经验中学习、适应不同机器人的高效穿越估计方法
🔧 核心方法
- 提出**COTRATE框架**，一个用于从多模态无标签机器人经验中连续估计穿越性的在线学习框架 - 使用**机器人无关的基于学习的地形在线评估模块**，处理**本体感受(proprioceptive)和惯性(inertial)信号**，推断鲁棒穿越分数 - 通过**新颖的对齐损失(alignment loss)** 将视觉嵌入与在线地形评估关联，监督**视觉穿越网络(visual traversability network)** - 提出**多样性感知特征选择策略(diversity-aware feature selection strategy)**，利用紧凑重放记忆(compact replay memory)缓解遗忘并保持性能
💡 核心创新
- **首创性**：首次实现**机器人无关(robot-agnostic)** 的在线自我监督穿越估计，支持不同运动学形态的机器人平台间知识迁移 - **方法创新**：使用**学习型的地形在线评估模块** 替代手工设计，实现真正的机器人无关性；通过**对齐损失** 将本体感受信号与视觉特征关联，实现从本体感受到视觉的跨模态监督 - **效率优化**：提出**多样性特征选择策略**，在最小内存开销下缓解持续学习中的灾难性遗忘，适合板载部署
🏆 总体贡献
- 提出**COTRATE**，一个完整的在线穿越估计框架，在无需人工标注的情况下实现开放世界环境中的持续适应 - 在包含约5万张图像、两个机器人平台、11种室外地形的大规模数据集上验证有效性，并在三个代表性室外环境的导航任务中表现优异 - 公开数据集、代码和训练模型，促进社区复现和后续研究，推动**自我监督机器人导航(self-supervised robot navigation)** 领域发展