DIViS：用于无碰撞目标到达的域不变视觉伺服

机器人应同时理解语义与物理才能在真实世界中发挥作用。虽然机器人平台提供了与物理世界交互的手段，但它们无法在无需人类的情况下自主获取物体级语义。本文研究如何最小化人类努力与干预以教会机器人执行融合语义的真实世界任务。我们在移动机器人视觉伺服背景下研究该问题，并提出 DIViS，一种用于无碰撞视觉伺服的域不变策略学习方法。DIViS 从先前收集的静态人类标注数据集中融入高层语义，并完全在仿真中且无需任何真实机器人数据地学习无碰撞伺服。然而，DIViS 可直接部署于真实机器人，并能伺服至用户指定物体类别的同时在真实世界中避免碰撞。DIViS 不限于由目标的最终视角查询，而是对从初始机器人视角拍摄且具高度遮挡的图像目标伺服具有鲁棒性，且不损害其保持无碰撞路径的能力。我们在超过 90 个真实世界测试场景中展示了 DIViS 在真实移动机器人上的泛化能力，涵盖非结构化环境中各种未见物体目标。DIViS 通过真实世界实验与仿真中的严格测试同先前方法比较。补充视频见：\href{https://fsadeghi.github.io/DIViS}{https://fsadeghi.github.io/DIViS}