Sight Over Site：感知感知的强化学习机器人巡检
机器人学
2025-09-23 v1 计算机视觉与模式识别
摘要
自动化巡检是机器人学中的核心问题，适用于从工业监控到搜救等场景。传统上，巡检常被简化为导航任务，即目标是到达预定义位置同时避免障碍物。然而，这种表述仅囊括了真实巡检问题的部分内容。在真实环境中，巡检目标可能在到达其确切坐标前就已可见，进一步的移动既冗余又低效。对于巡检而言，重要的并非仅是抵达目标位置，而是找到一种视角，使目标可被观察。在本工作中，我们从感知视角重新审视巡检问题。我们提出一种端到端强化学习框架，显式地将目标可见性作为主要目标，使机器人能够找到保证目标可见的最短轨迹，而无需依赖地图。所学策略利用感知与关节感知 sensing，全部在仿真环境中训练后部署到实际机器人上。我们进一步开发了一种算法，用于计算 ground-truth 最短巡检路径，以提供评估基准。通过大量实验，我们表明该方法优于现有的经典和基于学习的导航方法，在仿真和实际环境中均能实现更高效的巡检轨迹。该项目地址为 https://sight-over-site.github.io/。
引用
@article{arxiv.2509.17877,
title = {Sight Over Site: Perception-Aware Reinforcement Learning for Efficient Robotic Inspection},
author = {Richard Kuhlmann and Jakob Wolfram and Boyang Sun and Jiaxu Xing and Davide Scaramuzza and Marc Pollefeys and Cesar Cadena},
journal= {arXiv preprint arXiv:2509.17877},
year = {2025}
}