EchoNav: Evidential BEV Completion from Historical Observations for Visual Navigation
作者: Diwen Liu, Yiyang Shao, Borui Wang, Chi Zhang, Yunhui Liu
分类: cs.RO
发布日期: 2026-10-20
备注: 8 pages, 4 figures
💡 一句话要点
提出EchoNav框架以解决视觉导航中的障碍物推断问题
🎯 匹配领域: 支柱一：机器人控制 (Robot Control) 支柱三：空间感知与语义 (Perception & Semantics)
关键词: 视觉导航 障碍物推断 鸟瞰图 时间聚合 机器人导航 占用补全 深度学习
📋 核心要点
- 现有方法在复杂环境中难以有效恢复被遮挡的结构，导致导航性能不足。
- 本文提出的EchoNav框架通过时间聚合和证据BEV占用补全，提升了障碍物推断的准确性。
- 在模拟和实际机器人实验中，系统成功率显著提高，尤其在两目标导航任务中达到了89.6%的成功率。
📝 摘要（中文）
在复杂环境中的视觉导航要求机器人恢复先前观察到的结构，并推断仍然被遮挡的障碍物和自由空间。本文提出了一种框架，结合了时间聚合和基于证据的鸟瞰图（BEV）占用补全，利用短RGB序列进行预测。解码器适应冻结的VGGT-Omega特征，并使用单元权重和学习的无更新选项组合历史残差提案。BEV预测器在最新的自我帧中生成局部地图，无需深度或相机姿态输入或显式几何变换。该模型单独处理观察到的自由空间，并预测与剩余支持区域相关的占用置信度。我们在模拟RGB序列上训练预测器，并配对完整和可见性遮罩的占用注释。实验评估了在模拟环境和轮式机器人上的导航效果，并在四足和类人机器人上进行了额外演示。
🔬 方法详解
问题定义：本文旨在解决视觉导航中机器人在复杂环境下对遮挡障碍物的推断问题。现有方法往往无法有效恢复被遮挡的结构，导致导航性能不足。
核心思路：论文提出的EchoNav框架结合了时间聚合和基于证据的鸟瞰图（BEV）占用补全，利用短时间序列的RGB图像进行障碍物推断，旨在提升导航的准确性和可靠性。
技术框架：整体架构包括一个解码器，该解码器适应冻结的VGGT-Omega特征，并通过单元权重和学习的无更新选项组合历史残差提案。BEV预测器在最新的自我帧中生成局部地图，无需深度或相机姿态输入。
关键创新：最重要的技术创新在于引入了证据模型，该模型单独处理观察到的自由空间，并预测与剩余支持区域相关的占用置信度。这一方法与现有方法的本质区别在于其对不确定性的处理。
关键设计：在训练过程中，使用了模拟RGB序列配对完整和可见性遮罩的占用注释。损失函数设计考虑了占用置信度的预测，网络结构则基于VGGT-Omega特征进行优化。通过这些设计，系统能够在复杂环境中更好地进行导航。
🖼️ 关键图片
📊 实验亮点
在模拟的两目标导航任务中，EchoNav系统实现了89.6%的成功率，较最强基线提升了32.5个百分点。在60次轮式机器人试验中，成功率达73.3%，而最强基线仅为33.3%。这些结果表明该方法在复杂环境中的显著优势。
🎯 应用场景
该研究的潜在应用领域包括自主机器人导航、智能交通系统以及无人机飞行等。通过提升机器人在复杂环境中的导航能力，EchoNav框架能够显著提高机器人在实际应用中的效率和安全性，未来可能推动更多智能系统的开发与应用。
📄 摘要（原文）
Visual navigation in cluttered environments requires robots to recover previously observed structure and infer obstacles and free space that remain occluded. We present a framework that combines temporal aggregation and occupancy completion in an evidential bird's-eye-view (BEV) representation predicted from short RGB sequences. A decoder adapts frozen VGGT-Omega features and combines historical residual proposals using cellwise weights and a learned no-update option. The BEV predictor produces a local map in the latest ego frame without depth or camera-pose inputs or explicit geometric warping. The evidential model treats observed free space separately and predicts occupancy with associated confidence across the remaining supported region. We train the predictor on simulated RGB sequences paired with complete and visibility-masked occupancy annotations. Our experiments evaluate navigation in simulation and on a wheeled robot, with additional demonstrations on quadruped and humanoid robots. In simulated sequential two-goal navigation, our system achieves 89.6% success, outperforming the strongest evaluated baseline by 32.5 percentage points. Across 60 wheeled-robot trials in 20 scenes, it achieves 73.3% success, compared with 33.3% for the strongest evaluated baseline.