SemGeoNav：一种具有语义推理和几何规划的安全引导视觉导航方法

基于学习的视觉导航增强了语义目标达成能力。然而，由于其黑盒性质，纯粹的端到端模型通常缺乏明确的几何约束，导致开放环境中不可预测且不可靠的避障。相反，传统的几何规划器可以确保安全，但难以应对高维视觉目标。为了解决这些限制，我们提出了 SemGeoNav，一种新颖的分层视觉导航框架。它将端到端模型的高级语义推理与基于几何的方法的可靠局部规划能力紧密结合起来，实现鲁棒的基于图像的导航，同时显着提高避障能力。此外，我们引入了时间轨迹平滑机制，以确保机器人运动连续稳定。我们在现实环境中的 Unitree Go2 四足机器人上评估了 SemGeoNav。结果表明，SemGeoNav 优于现有的代表性方法，包括 ViNT 和 NoMaD，实现了更高的成功率和更短的导航时间。