TravKAN: Fast and Interpretable Nonlinear Traversability Analysis with Kolmogorov-Arnold Networks
作者: Daniel Fusaro, Simone Mosco, Wanmeng Li, Alberto Pretto
分类: cs.RO, cs.CV
发布日期: 2026-08-03
备注: This paper has been accepted for publication at the 2026 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS)
💡 一句话要点
提出TravKAN以解决自主移动机器人可通行性分析问题
🎯 匹配领域: 支柱三：空间感知与语义 (Perception & Semantics)
关键词: 可通行性分析 Kolmogorov-Arnold网络 自主移动机器人 LiDAR传感器 特征提取 实时计算 可解释性 深度学习
📋 核心要点
- 现有的深度学习方法在可通行性分析中表现优异，但缺乏可解释性，难以理解地形与机器人之间的复杂交互。
- 本文提出TravKAN框架，利用Kolmogorov-Arnold网络实现快速、可扩展且可解释的可通行性估计，支持符号表达的提取。
- 实验结果表明，TravKAN在多个真实数据集上超越传统深度模型，且在可解释性和实时计算效率方面表现优异。
📝 摘要（中文）
可通行性分析是自主移动机器人在非结构化环境中操作的基本能力。尽管现代机器学习方法如深度神经网络和梯度提升树在预测性能上表现优异，但缺乏可解释性，无法深入理解地形与机器人之间的交互动态。本文提出了基于Kolmogorov-Arnold网络的TravKAN框架，实现快速、可扩展且可解释的可通行性估计。TravKAN通过可学习的单变量函数组合表示多变量决策函数，支持紧凑架构和训练后的符号提取。此外，我们引入了一套新颖的手工特征，基于LiDAR传感器的反射率通道，尽管反射率在手工可通行性描述符中尚未系统性利用，但其潜力在于捕捉与几何线索互补的材料和表面特性。我们在公共的真实城市和越野数据集上评估了TravKAN，并与强基线进行了比较，结果显示TravKAN在所有指标上均表现出色，超越了传统深度模型，接近XGBoost的性能。
🔬 方法详解
问题定义：本文旨在解决自主移动机器人在非结构化环境中进行可通行性分析时的可解释性不足和实时性问题。现有方法虽然在预测性能上表现良好，但缺乏对地形与机器人交互的深入理解。
核心思路：TravKAN框架基于Kolmogorov-Arnold网络，通过组合可学习的单变量函数来表示多变量决策函数，从而实现紧凑的网络架构和可解释的符号提取。
技术框架：TravKAN的整体架构包括数据输入模块、特征提取模块（引入LiDAR反射率特征）、Kolmogorov-Arnold网络模块和输出模块，支持快速的可通行性估计和符号表达的生成。
关键创新：最重要的创新在于利用反射率特征进行手工特征提取，这是以往方法未曾系统性利用的，能够有效捕捉材料和表面特性。与传统深度学习模型相比，TravKAN在可解释性和实时性上具有显著优势。
关键设计：在网络设计中，采用了特定的损失函数以优化可通行性预测，并通过多层次的单变量函数组合实现了模型的紧凑性和可解释性。
🖼️ 关键图片
📊 实验亮点
实验结果显示，TravKAN在多个真实数据集上表现优异，超越了传统深度学习模型，接近XGBoost的性能。具体而言，TravKAN在所有评估指标上均表现出色，且其符号表示形式提供了有意义的非线性特征交互，支持快速部署和分析。
🎯 应用场景
TravKAN的研究成果在自主移动机器人领域具有广泛的应用潜力，尤其是在复杂和动态的环境中，如城市探测、灾后救援和农业机器人等场景。其可解释性和实时性使得机器人在安全关键的决策中能够更好地理解和应对环境变化，提升操作的安全性和效率。
📄 摘要（原文）
Traversability analysis is a fundamental capability for autonomous mobile robots operating in unstructured environments. While modern machine learning approaches such as deep neural networks and gradient-boosted trees achieve strong predictive performance, they lack interpretability and provide limited insight into the underlying terrain-robot interaction dynamics. In this paper, we propose TravKAN, a Kolmogorov-Arnold Network-based framework for fast, scalable, and interpretable traversability estimation. TravKAN represents multivariate decision functions through compositions of learnable univariate functions, enabling compact architectures and symbolic extraction of analytic expressions after training. In addition, we introduce a novel set of handcrafted features derived from the reflectivity channel of LiDAR sensors. To the best of our knowledge, reflectivity has not been systematically exploited for handcrafted traversability descriptors, despite its potential to capture material and surface properties complementary to geometric cues. We evaluate TravKAN on public, real-world urban and off-road datasets and compare it against strong baselines. TravKAN achieves strong performance across all metrics, outperforming conventional deep models and approaching the performance of XGBoost. TravKAN-Lite, i.e., TravKAN's symbolic representation, reveals meaningful nonlinear feature interactions and provides a compact, deployment-friendly, and fast analytic model. Ablation studies further show the robustness of our method to architectural variations and quantify the contribution of the proposed reflectivity-based features. These properties make TravKAN attractive for robotic systems requiring transparency, real-time computational efficiency, and interpretability in safety-critical decision-making.