动态障碍物规避在非结构化户外环境中对自主移动机器人来说仍然是一个重大挑战，尤其是在大规模机器人特定训练数据和基于仿真的策略不切实际的情况下。我们提出了一种数据高效、可解释的方法来进行基于视觉的动态障碍物规避，该方法完全基于真实世界的数据，避免了仿真训练策略中固有的仿真到现实的转移问题。
我们的方案利用了 UniDepth，一个大型的预训练单目深度估计模型，从 RGB 视频中生成密集的深度图，而不需要在推理时使用立体相机或激光雷达。动态障碍物规避通过扩展 SuperPoint 和 SuperGlue 特征对应管道来实现，跟踪长帧序列中的关键点，将其 2D 像素空间位置投影到 3D 空间，使用相机内参和预测的深度，运行从这些 3D 关键点初始化的束调整，并计算每个关键点的碰撞时间（TTC）。接着，选择地面平面中的 2D 运动原语，使机器人远离最小 TTC 关键点的最近接近点。
在 M3ED 数据集的真实数据上进行评估，我们的管道在识别真实 TTC 小于 1 秒的帧时达到了 0.49 的精度和 0.38 的召回率，并在 84% 的真阳性检测中正确生成了规避运动方向。重要的是，它在我们的测试序列中检测到 22 个独特物理障碍物中的 20 个至少有一帧 TTC 小于 1 秒。与需要数千小时机器人特定训练数据的端到端学习方法不同，我们的方法完全消除了模型训练，仅需 74 秒的数据进行超参数调优。这展示了卓越的数据效率，同时在多样的障碍物类型中保持可解释和可推广的行为。
博主点评： 该研究展示了如何通过有效利用预训练模型来解决动态障碍物规避问题，具有很强的实用价值和数据效率，尤其是在缺乏大量训练数据的情况下。其方法的可解释性和通用性也为未来的机器人自主导航提供了新的思路。