SAFER-Nav：通过分段感知增强视觉机器人导航的安全性 微调

基于视觉的导航模型，特别是基础模型，仅根据 RGB 观察即可生成可行的轨迹。然而，即使是最先进的 Transformer 和基于扩散的策略也很难在包含看不见的障碍或变化的条件的不熟悉的部署环境中推广。由此产生的轨迹通常仍然是目标导向的，但不安全。现有的努力通过外部轨迹校正或内部几何先验来提高安全性，但所得到的策略并未经过训练来明确表示障碍物边界或可穿越的自由空间结构。为了解决这个问题，我们提出了一种导航模型，该模型通过 微调 将这些结构直接合并到策略中，并且专为基于 Transformer 的 RGB 导航策略而设计。在三个机器人平台、两个室内环境以及静态和动态障碍物场景中，我们的方法将每次运行的碰撞次数从 1.76 次减少到 0.20 次，并将目标到达率从 42% 提高到 93%（相对于 ViNT），与 NoMaD 及其 CARE 增强变体相比具有一致的增益。项目页面：https://paper-demo.github.io/SAFER_Nav/