导航在非道路环境中极具挑战，因为缺乏结构化信息，且没有统一的可通行性词汇表。可通行性受环境特征和机器人动力学双重影响，这两者难以通过人工标注大规模获取。因此，需要让机器人通过自身经验学习可通行性。
主流平台通常采用多传感器（RGB‑D、激光雷达、雷达、IMU）并在高算力硬件上运行神经网络进行推断。针对这一趋势，我们提出 FLINT，一个仅使用 RGB 相机的轻量级可通行性估计器。FLINT 的主干网络仅有 21.6M 参数，比同类基础模型小 38×，在仅 CPU 环境下可达 14.7 FPS。在 24 条实地日志的回放中，FLINT 在 23 条上生成的代价图比部署的基础模型系统 WildOS 更准确且成本更低。
我们比较了多种自监督学习信号，并将训练得到的模型部署到真实平台进行闭环实验。最佳的自监督头在完整路线上的自主通过率达到 99%，超越了同一赛道上使用人工标注训练的基线模型。实验结果表明，重传感器和高算力并非可通行性估计的必要条件。
点评：FLINT 展示了在资源受限的移动机器人上实现高精度可通行性估计的可行性，为低成本野外导航提供了新思路。