PATH: Preference-Aware Traversability Estimation for Robotic Teleoperation in Off-Road Navigation

📄 arXiv: 2610.30605v1 📥 PDF

作者: Xianghao Meng, Wenshuo Wang, Cheng Shao, Lewei Feng, Qingxiao Liu, Canyu Wang, Junqiang Xi

分类: cs.RO, cs.HC

发布日期: 2026-10-22

💡 一句话要点

提出PATH-Net以解决越野导航中的可 traversability 估计问题

🎯 匹配领域: 支柱一：机器人控制 (Robot Control) 支柱二：RL算法与架构 (RL & Architecture) 支柱三：空间感知与语义 (Perception & Semantics)

关键词: 可 traversability 估计 偏好感知 遥控操作 越野导航 最大熵逆强化学习 多头共享骨干 特征聚合机制

📋 核心要点

  1. 现有的可 traversability 估计方法未能考虑操作员的速度和风险偏好，导致遥控操作的效率和安全性不足。
  2. 本文提出的PATH-Net通过偏好感知机制生成适应性成本图和速度配置，优化了遥控操作的用户体验。
  3. 实验结果显示，PATH-Net在225条遥控轨迹中实现了显著的性能提升，降低了操作员的工作负荷评分。

📝 摘要（中文）

可 traversability 估计对地面车辆的遥控操作至关重要，但现有方法往往忽视了人类操作员对速度和风险容忍度的偏好。为了解决这一问题，我们提出了PATH-Net，一种偏好感知的可 traversability 估计层次网络，能够自适应生成基于偏好的 traversability 成本图和速度配置。我们的框架通过多头共享骨干架构整合视觉和几何鸟瞰特征以及短期历史车辆状态。PATH-Net在使用最大熵逆强化学习和稀疏速度监督的同时推断 traversability 成本图并优化速度推荐。实验结果表明，PATH-Net的推荐与用户特定的导航策略一致，显著降低了操作员的工作负荷。

🔬 方法详解

问题定义：本论文旨在解决现有可 traversability 估计方法忽视人类操作员偏好的问题，特别是在越野导航场景中，操作员对速度和风险的不同偏好未被充分考虑。

核心思路：提出PATH-Net，通过偏好感知的方式生成适应性成本图和速度配置，确保遥控操作更符合用户的个性化需求。该设计旨在提高遥控操作的安全性和效率。

技术框架：PATH-Net采用多头共享骨干架构，整合视觉和几何特征，同时结合短期历史车辆状态。整体流程包括成本分支和速度分支，分别关注高风险区域和偏好调整的速度推荐。

关键创新：最重要的创新在于引入了不对称特征聚合机制，使得模型能够分别优化高风险区域的 traversability 估计和速度推荐，这与传统方法的单一优化策略形成鲜明对比。

关键设计：在网络结构上，采用了多头共享骨干架构，损失函数结合最大熵逆强化学习和稀疏速度监督，以确保模型在不同操作员偏好下的有效性。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果显示，PATH-Net在225条遥控轨迹中，与用户特定导航策略的对齐度显著提高，修改后的Hausdorff距离为0.17米（激进型）和0.15米（保守型）。此外，参与者在使用PATH-Net推荐后，NASA-TLX工作负荷评分从34.7降低至22.2，表明该方法有效减轻了操作员的负担。

🎯 应用场景

该研究的潜在应用领域包括越野机器人、无人驾驶汽车和灾后救援等场景。通过提供个性化的导航建议，PATH-Net能够显著提升遥控操作的安全性和效率，具有重要的实际价值和广泛的应用前景。

📄 摘要（原文）

Traversability estimation is critical for ground vehicle teleoperation, yet existing methods often neglect the human operator's preferences for speed and risk tolerance. To address this gap, we propose PATH-Net, a Preference-Aware Traversability estimation Hierarchical Network that adaptively generates preference-conditioned traversability cost maps and speed profiles for off-road teleoperation. Our framework integrates visual and geometric bird's-eye-view features with short-term historical vehicle states through a multi-head shared-backbone architecture. Our PATH-Net infers traversability cost maps while optimizing speed recommendations by using maximum entropy inverse reinforcement learning and sparse speed supervision. Our method incorporates operator preference via an asymmetric feature aggregation mechanism, splitting inference into a cost branch that prioritizes high-risk traversability regions and a speed branch that outputs preference-adjusted recommended speeds. Experiments with 15 operators across 225 teleoperated trajectories show alignment with user-specific navigation strategies, achieving modified Hausdorff distance of 0.17 m (aggressive) and 0.15 m (conservative). In the questionnaire assessment, participants reported lower NASA-TLX workload scores with PATH-Net recommendations than without recommendations, decreasing from 34.7 to 22.2. These results support preference-conditioned trajectory and speed recommendation for off-road teleoperation.