Wild Visual Navigation: Fast Traversability Learning via Pre-Trained Models and Online Self-Supervision

本文介绍了一种名为“Wild Visual Navigation（WVN）”的在线自我监督学习系统，用于视觉可通过性估计，旨在解决森林和草原等自然环境中机器人导航的难题，因为高草、树枝或灌木等会导致对刚性障碍物的虚假感知。该系统能够从现场短暂的人类演示中进行持续适应，仅使用机载感知和计算。实现这一目标的关键思想之一是使用来自预训练的自我监督模型的高维特征，这些特征隐含地编码了语义信息，大大简化了学习任务。此外，监督生成器的在线方案的开发使得学习模型的并发训练和推断成为可能。我们通过在森林、公园和草原等不同真实世界场景中进行多样化的实际部署来展示我们的方法。我们的系统能够在不到5分钟的现场训练时间内引导可通过地形分割，使机器人能够在复杂的、以前未见过的户外地形中进行导航。 代码：https://bit.ly/498b0CV - 项目页面：https://bit.ly/3M6nMHH。

解决问题：论文试图解决自然环境中机器人导航的难题，即由于高草、树枝或灌木丛等因素导致机器人对障碍物的错误感知。

关键思路：使用在线自监督学习系统进行视觉可通行性估计，通过高维特征从预训练的自监督模型中提取语义信息，大大简化了学习任务，并开发了在线监督生成器方案，使得机器人能够在野外进行并行训练和推理。

其他亮点：论文通过实验验证了该方法在森林、公园和草地等不同场景下的有效性，仅需不到5分钟的现场训练时间即可启动机器人可通行地形分割，使机器人能够在复杂的未知户外地形中导航。论文提供了代码和项目页面，值得深入研究。

相关研究：最近的相关研究包括DeepMimic、DeepLoco、DeepTerrainRL等。