DetAug: Obstacle-Blind Trajectory Augmentation for Zero-shot Obstacle Avoidance
作者: Reece O'Mahoney, Moritz Zoellner, Ioannis Havoutis
分类: cs.RO
发布日期: 2026-09-16
💡 一句话要点
提出DetAug以解决机器人避障中的数据集不足问题
🎯 匹配领域: 支柱一：机器人控制 (Robot Control)
关键词: 机器人操作 障碍物规避 数据集增强 推理方法 自主决策
📋 核心要点
- 现有的机器人操作方法在训练时依赖于自由空间轨迹，难以适应含有障碍物的环境。
- DetAug提出了一种障碍物盲增强方案，增强自由空间数据集的过渡阶段，同时保留物体交互。
- 在SafeLIBERO基准测试中，DetAug的碰撞成功率比第二名高出20个百分点，且在真实硬件上表现优异。
📝 摘要（中文）
本论文提出了一种名为DetAug的方法，旨在解决机器人操作中的障碍物规避问题。现有的训练数据集通常只包含自由空间轨迹，难以在测试环境中有效应对障碍物。现有方法主要分为两类：数据集增强和推理时的引导方法。DetAug结合了这两种方法的优点，采用障碍物盲增强方案，仅对自由空间数据集的过渡阶段进行增强，同时保留物体交互不变，并将增强参数记录为显式条件标签。在推理阶段，DetAug通过采样标签并执行最低碰撞成本的轨迹，显著提高了碰撞成功率，尤其在SafeLIBERO基准测试中，成功率比第二名高出20个百分点，且在真实硬件上表现优于传统方法。
🔬 方法详解
问题定义：本论文旨在解决机器人操作中由于训练数据集仅包含自由空间轨迹而导致的障碍物规避问题。现有方法在面对障碍物时，往往缺乏灵活性和适应性，难以有效转移到测试环境中。
核心思路：DetAug通过障碍物盲增强方案，专注于自由空间数据集的过渡阶段，避免了对障碍物几何形状的依赖，同时保留了物体交互的完整性。该方法在推理阶段通过采样标签并执行最低碰撞成本的轨迹，从而实现更高的灵活性和成功率。
技术框架：DetAug的整体架构包括数据集增强模块和推理模块。在数据集增强阶段，系统对自由空间轨迹进行盲增强，并生成条件标签。在推理阶段，系统根据采样的标签执行轨迹，选择碰撞成本最低的路径。
关键创新：DetAug的主要创新在于其障碍物盲增强方案，既不需要提前了解障碍物的几何形状，又能在推理时灵活选择最佳轨迹。这一设计显著提升了机器人在复杂环境中的操作能力。
关键设计：在参数设置上，DetAug记录了增强过程中的参数作为条件标签，确保在推理时能够有效利用这些信息。损失函数设计上，重点关注碰撞成本的最小化，以提高成功率。
🖼️ 关键图片
📊 实验亮点
在SafeLIBERO基准测试中，DetAug的碰撞成功率比第二名高出20个百分点，且在真实硬件上，DetAug在需要大幅绕行的任务中表现优于传统的推理引导方法，显示出其在复杂环境中的优越性。
🎯 应用场景
DetAug方法在机器人操作、自动驾驶和无人机导航等领域具有广泛的应用潜力。其能够在未知环境中有效规避障碍物，提升了机器人在复杂场景下的自主决策能力，未来可能推动智能机器人在实际应用中的普及与发展。
📄 摘要（原文）
Policies for robotic manipulation are produced by training on large teleoperated datasets. These datasets typically consist of free-space trajectories, making them difficult to transfer to test-time environments with obstacles. Previous methods for closing this gap have largely fallen into two groups. Dataset augmentation addresses it at training time but needs obstacle geometry in advance, whereas steering an existing checkpoint at inference time avoids that requirement but is limited in flexibility. Our method draws from both areas without inheriting either drawback. DetAug applies an obstacle-blind augmentation scheme to the transit phases of a free-space dataset, leaving object interactions untouched, and records the augmentation parameters as an explicit conditioning label. At inference it samples a batch of labels and executes the trajectory with the lowest collision cost. On the SafeLIBERO benchmark DetAug achieves a collision-free success rate more than 20pp above the next best method, and selecting over the label space outperforms guidance on the same policy by 26pp. On real hardware, inference-time steering methods collapse on tasks requiring large detours, while DetAug matches or exceeds an obstacle-conditioned baseline without ever seeing obstacles in training.