你知道路吗？移动机器人中基于人在回路的快速可通行性估计理解

机器人在非结构化环境中的日益使用，需要开发有效的感知和导航策略，以使现场机器人能够成功执行任务。特别是，这类机器人必须理解环境中哪些地方可以通行、哪些地方不能通行——这一任务称为可通行性估计。然而，现有的几何可通行性估计方法可能无法捕捉可通行性的细微表示，而基于视觉的方法通常要么需要手动标注大量图像，要么需要机器人经验。此外，现有方法可能难以应对领域偏移，因为它们通常不会在部署过程中学习。为此，我们提出了一种基于人在回路的方法用于可通行性估计，该方法按需提示人类进行标注。我们的方法使用基础模型来快速学习新标注，并即使在少量快速提供的HiL标注上训练时也能提供准确的预测。我们在仿真和真实世界数据上广泛验证了我们的方法，并证明它可以提供最先进的可通行性预测性能。