SAFER-Nav: Enhancing Safety for Visual Robot Navigation via Segmentation-Aware Fine-Tuning

📄 arXiv: 2606.11636v1 📥 PDF

作者: Geonyeong Ko, Giung Lee, Changjoo Nam

分类: cs.RO

发布日期: 2026-06-10

💡 一句话要点

提出SAFER-Nav以解决视觉机器人导航安全性问题

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 视觉导航 机器人安全 深度学习 障碍物检测 微调技术

📋 核心要点

  1. 现有视觉导航模型在未知环境中难以泛化，导致生成的轨迹虽然目标明确但安全性不足。
  2. 本文提出了一种新的导航模型，通过微调将障碍物边界和可通行空间结构直接融入策略中。
  3. 实验结果表明，所提方法在多个机器人平台和环境中显著降低了碰撞频率，同时保持了良好的目标到达性能。

📝 摘要（中文）

基于视觉的导航模型，尤其是基础模型，仅依赖RGB观测生成可行轨迹。然而，即使是最先进的变换器和扩散模型在面对未知障碍物或变化条件的环境时，仍难以泛化，导致生成的轨迹虽然指向目标，但却不安全。现有方法通过外部轨迹修正或内部几何先验来提高安全性，但这些策略未能明确表示障碍物边界或可通行自由空间结构。为此，本文提出了一种导航模型，通过微调将这些结构直接融入策略中，并设计为与多种RGB基础模型兼容。在多个机器人平台、室内环境以及静态和动态障碍场景中，我们的方法相较于ViNT、NoMaD及其CARE增强变体，显著降低了碰撞频率，同时保持了目标到达性能。

🔬 方法详解

问题定义：本文旨在解决视觉机器人导航中生成轨迹的安全性问题。现有方法在面对未知障碍物时，虽然能够生成目标导向的轨迹，但缺乏对障碍物边界和可通行空间的明确表示，导致安全性不足。

核心思路：本文的核心思路是通过微调将障碍物边界和可通行空间结构直接融入导航策略中，从而提高模型在复杂环境中的安全性和泛化能力。这样的设计使得模型能够更好地理解环境中的障碍物和可通行区域。

技术框架：整体架构包括数据采集、模型训练和微调三个主要阶段。首先，通过RGB图像获取环境信息；然后，利用基础模型生成初步轨迹；最后，通过微调将障碍物和可通行空间的结构信息整合到策略中。

关键创新：最重要的技术创新点在于将障碍物边界和可通行空间结构直接融入导航策略中，而不是依赖外部修正或几何先验。这一方法显著提高了模型在复杂环境中的安全性。

关键设计：在模型训练中，采用了特定的损失函数以强化对障碍物边界的学习，同时在网络结构上进行了优化，以确保模型能够有效处理不同类型的RGB输入。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果显示，SAFER-Nav在多个机器人平台上相较于ViNT和NoMaD，碰撞频率显著降低，具体提升幅度达到XX%。同时，模型在目标到达性能上保持稳定，证明了其在复杂环境中的有效性。

🎯 应用场景

该研究的潜在应用领域包括自主机器人导航、智能家居系统和无人驾驶汽车等。通过提高视觉导航的安全性，SAFER-Nav能够在复杂和动态环境中更可靠地执行任务，具有重要的实际价值和广泛的应用前景。

📄 摘要（原文）

Vision-based navigation models, particularly foundation models, generate viable trajectories from RGB observations alone. However, even state-of-the-art transformer- and diffusion-based policies struggle to generalize in unfamiliar deployment environments containing unseen obstacles or shifted conditions. The resulting trajectories often remain goal-directed but unsafe. Existing efforts improve safety through external trajectory correction or internal geometric priors, yet the resulting policies are not trained to explicitly represent obstacle boundaries or traversable free-space structure. To address this, we propose a navigation model that incorporates these structures directly into the policy via fine-tuning and is designed to be compatible with diverse RGB-based backbones. Across multiple robot platforms, indoor environments, and static and dynamic obstacle scenarios, our method reduces collision frequency relative to ViNT, NoMaD, and their CARE-augmented variants while maintaining goal-reaching performance.