TravSUITE: Traversability via Self-Supervised, Uncertainty-Aware IRL and Terrain Estimation

📄 arXiv: 2610.32130v1 📥 PDF

作者: Samuel Triest, Amirreza Shaban, David D. Fan, Wenshan Wang, Sebastian Scherer

分类: cs.RO

发布日期: 2026-10-23

期刊: S. Triest, A. Shaban, D. Fan, W. Wang, and S. Scherer, "TravSUITE: Traversability via Self-Supervised, Uncertainty-Aware IRL and Terrain Estimation," in Proceedings of Robotics: Science and Systems (RSS), 2026

💡 一句话要点

提出TravSUITE以解决越野环境中的可通行性分析问题

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture) 支柱三：空间感知与语义 (Perception & Semantics) 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 越野导航 可通行性分析 自监督学习 逆强化学习 多模态传感器 机器人技术 路径规划 风险估计

📋 核心要点

  1. 现有方法在复杂环境和高速情况下，难以有效构建准确的局部地图，导致导航性能不足。
  2. TravSUITE通过高效的体素映射器和统一的神经网络，利用自监督学习构建几何-语义局部地图并预测可通行性相关量。
  3. 实验表明，结合地图修复和风险估计，TravSUITE在真实硬件实验中减少了80%的导航错误，并提高了5%的自主穿越速度。

📝 摘要（中文）

在越野环境中，移动机器人面临可通行性分析的重大挑战，包括从多模态传感器数据构建准确的局部地图，以及利用该地图设计可通行性规则以实现理想的导航行为。本文提出的TravSUITE系统适用于高速越野导航，包含两个主要组件：高效的体素映射器和统一的神经网络。该系统采用完全无标注的自监督训练策略，通过地图修复和逆强化学习等任务学习地图表示和可通行性。实验结果表明，成本学习和辅助修复显著提升了规划质量，结合使用可实现越野路径规划的最先进性能。

🔬 方法详解

问题定义：本文旨在解决越野环境中移动机器人可通行性分析的挑战，现有方法在复杂环境和高速情况下难以有效构建准确的局部地图，导致导航性能不足。

核心思路：TravSUITE的核心思路是通过高效的体素映射器和统一的神经网络，利用自监督学习构建几何-语义局部地图，并同时预测与可通行性相关的多个量。这样的设计使得系统在无标注数据的情况下，依然能够学习到有效的地图表示和导航策略。

技术框架：TravSUITE的整体架构包括两个主要模块：1) 体素映射器，利用视觉基础模型从传感器数据中构建局部地图；2) 统一神经网络，预测鸟瞰图中的几何、语义、速度和成本等信息。

关键创新：TravSUITE的主要创新在于其完全自监督的训练策略，结合地图修复和逆强化学习，显著提升了越野路径规划的性能。这与传统方法依赖大量标注数据的做法形成鲜明对比。

关键设计：在设计中，采用了特定的损失函数以优化地图修复和可通行性预测，同时在网络结构上，结合了多层次的特征提取，以增强模型对复杂环境的适应能力。通过这些设计，系统能够在实际应用中表现出色。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

在真实硬件实验中，TravSUITE结合地图修复和风险估计，成功减少了80%的导航错误，并提高了5%的自主穿越速度。这些结果表明，TravSUITE在越野路径规划方面的性能优于现有的最先进方法，具有显著的实用价值。

🎯 应用场景

TravSUITE的研究成果在无人驾驶、机器人探测和救援任务等领域具有广泛的应用潜力。其高效的可通行性分析能力能够帮助移动机器人在复杂和动态的环境中进行自主导航，提升任务执行的安全性和效率。未来，该技术有望在更多实际场景中得到应用，推动智能机器人技术的发展。

📄 摘要（原文）

Traversability analysis in off-road settings remains a fundamental challenge for mobile robots. Key difficulties include constructing an accurate and expressive local map from multimodal sensor data, and using the map to design traversability rules that yield desirable navigation behavior. Importantly, this system must be resilient to the limited sensing regime brought about by complex environments and high speeds. In this paper, we present TravSUITE, a traversability system suitable for high-speed navigation in off-road environments. TravSUITE consists of two major components: 1) an efficient voxel mapper that leverages visual foundation models (VFMs) to build a rich geometric-semantic local map from streams of on-board sensor data, and 2) a unified neural network that jointly predicts traversability-relevant quantities in bird's eye view (BEV), including geometry, semantics, speed and cost. Our training strategy is entirely annotation-free and self-supervised, leveraging tasks such as map inpainting and inverse reinforcement learning (IRL) to learn both map representations and traversability. We perform a thorough ablation study and comparison to state-of-the-art approaches, and the results indicate that cost learning and auxiliary inpainting each contribute significantly to planning quality, and their combination is critical for achieving state-of-the-art performance in off-road path planning. We also design a simple risk adaptation mechanism to leverage our method's uncertainty estimates at deploy-time, and demonstrate that a combination of inpainting and risk estimation can result in 80% fewer navigation errors and 5% faster autonomous traversal speeds in real-world hardware experiments.