EchoNav：基于历史观测的证据BEV补全用于视觉导航
提出EchoNav框架，从短RGB序列预测证据鸟瞰图（BEV）表示，结合时序聚合与占据补全，解码器适配冻结的VGGT-Omega特征，用逐单元权重和可学习的不更新选项组合历史残差提议；BEV预测器在最新自车坐标系生成局部地图，无需深度、相机位姿输入或显式几何变换。模型在仿真RGB序列及完整/可见性掩码占据标注上训练。仿真顺序双目标导航成功率89.6%，比最强基线高32.5个百分点；20个场景60次轮式机器人试验成功率73.3%，基线33.3%，另有四足与人形机器人演示。
发布于 10-22 10:55来源：arXiv cs.RO
转载 · 官方发布原文：arXiv cs.RO ·《EchoNav: Evidential BEV Completion from Historical Observations for Visual Navigation》查看原链
在杂乱环境中的视觉导航要求机器人恢复先前观测到的结构，并推断仍被遮挡的障碍物与自由空间。 我们提出一个框架，在由短RGB序列预测的证据鸟瞰图（BEV）表示中结合时序聚合与占据补全。 解码器适配冻结的VGGT-Omega特征，并使用逐单元权重和可学习的不更新选项来组合历史残差提议。
BEV预测器在最新自车坐标系中生成局部地图，无需深度或相机位姿输入，也无需显式几何变换。 证据模型将已观测自由空间单独处理，并在其余有支撑区域预测带关联置信度的占据。 我们在与完整及可见性掩码占据标注配对的仿真RGB序列上训练预测器。 实验在仿真和轮式机器人上评估导航，并在四足与人形机器人上提供额外演示。
在仿真顺序双目标导航中，系统达到89.6%成功率，比最强评估基线高32.5个百分点。 在20个场景的60次轮式机器人试验中，成功率为73.3%，最强评估基线为33.3%。