CARE：通过Repulsive Estimation实现视觉导航碰撞规避以增强安全性
机器人学
2025-08-11 v4 计算机视觉与模式识别
摘要
我们提出了CARE（Collision Avoidance via Repulsive Estimation），以提高基于学习的视觉导航方法的鲁棒性。最近的视觉导航模型，特别是基础模型，已通过仅使用RGB图像生成可行路径 demonstrate了良好的性能。然而，这些策略在包含超出分布（OOD）场景时（例如包含未见对象或不同相机设置的场景，如视场、相机姿态或焦距的变化）可能泛化性差。_without fine-tuning，这些模型可能产生导致碰撞的路径， necessitating substantial efforts in data collection and additional training。为此，我们引入CARE，一个可附加的模块，可在不requiring additional range sensors或fine-tuning pretrained models的情况下提升视觉导航的安全性。CARE可以无缝集成到任何生成局部机器人路径的基于RGB的导航模型中。它利用从RGB输入直接估计的深度图像计算排斥力向量，动态调整预训练模型生成的路径。我们通过在多种机器人平台上集成最先进的视觉导航模型来评估CARE。实际实验表明，CARE显著减少了碰撞（最高可实现100%），且在目标条件导航中不影响导航性能；在探索任务中进一步提高了无碰撞旅行距离（最高可实现10.7倍）。项目页面：https://airlab-sogang.github.io/CARE/
引用
@article{arxiv.2506.03834,
title = {CARE: Enhancing Safety of Visual Navigation through Collision Avoidance via Repulsive Estimation},
author = {Joonkyung Kim and Joonyeol Sim and Woojun Kim and Katia Sycara and Changjoo Nam},
journal= {arXiv preprint arXiv:2506.03834},
year = {2025}
}
备注
16 pages, 6 figures