IN-Sight: Interactive Navigation through Sight

目前的视觉导航系统通常将环境视为静态的，缺乏与障碍物的适应性互动能力。这种限制导致在遇到不可避免的障碍物时导航失败。为了解决这个问题，我们介绍了IN-Sight，一种新颖的自监督路径规划方法，通过与障碍物的交互实现更有效的导航策略。利用RGB-D观察结果，IN-Sight计算可行性分数并将其合并到语义地图中，从而促进在复杂的迷宫环境中的长距离路径规划。为了精确地绕过障碍物，IN-Sight采用本地规划器，在不同iable成本图上使用表示学习技术进行强制训练。整个框架在最先进的真实感Intel SPEAR模拟器中进行端到端的训练。我们通过在各种模拟场景和消融研究中进行广泛基准测试来验证IN-Sight的有效性。此外，我们通过零-shot sim-to-real转移证明了系统在实际应用中的适用性，将我们的规划器部署在腿式机器人平台ANYmal上，展示了其在实际环境中进行交互式导航的实际潜力。

IN-Sight论文旨在解决当前视觉导航系统的局限性，即无法适应动态障碍物的存在，导致在遇到不可避免的障碍物时导航失败的问题。

IN-Sight提出了一种新的自我监督路径规划方法，通过与障碍物的交互实现更有效的导航策略。该方法利用RGB-D观测，计算可通过性分数并将其纳入语义地图中，从而在复杂的迷宫环境中实现长程路径规划。为了精确地绕过障碍物，IN-Sight采用本地规划器，在可微分的代价地图上通过表示学习技术进行强化训练。整个框架在最先进的逼真的Intel SPEAR模拟器中进行端到端训练。

该论文通过在各种模拟场景和消融研究中进行广泛的基准测试来验证IN-Sight的有效性。此外，作者还展示了该系统的实际应用潜力，通过零样本的模拟到真实世界的转移，在腿式机器人平台ANYmal上部署我们的规划器，展示其在实际环境中的实际潜力。

与此相关的最近研究包括：1）基于深度强化学习的路径规划；2）基于模型的强化学习路径规划；3）使用深度学习进行自主导航的其他方法等。