AnyTraverse：基于VLM与人类操作员的越野可达性框架
计算机视觉与模式识别
2025-06-23 v1 人工智能
机器人学
摘要
越野可达性分割实现了无人机在搜救、军事、野生动物探索和农业等领域的自主导航。当前框架因面对大规模非结构化环境和不可预测的场景变化，难以适应不同机器人类型。我们提出AnyTraverse，一种结合自然语言提示与人类操作员协作的框架，用于确定多样化机器人车辆的可通行区域。该系统对给定的一组提示进行场景分割，并在遇到先前未探索的景观或不在提示中包含的未知类别时仅调用操作员，从而在保持自动化的同时减少主动监督负担，并适应变化的户外场景。我们的零样本学习方法消除了大规模数据收集或重新训练的需求。我们的实验验证包括在RELLIS-3D、Freiburg Forest和RUGD数据集上的测试，并在多个机器人平台上实现了实际部署。结果表明，AnyTraverse在准确率和鲁棒性方面优于GA-NAV和Off-seg，同时提供了一种面向不同机器人类型的越野可达性方法，实现了自动化与有针对性的人类监督之间的平衡。
引用
@article{arxiv.2506.16826,
title = {AnyTraverse: An off-road traversability framework with VLM and human operator in the loop},
author = {Sattwik Sahu and Agamdeep Singh and Karthik Nambiar and Srikanth Saripalli and P. B. Sujit},
journal= {arXiv preprint arXiv:2506.16826},
year = {2025}
}