ZeST：基于视觉语言模型后验概率融合的地形可通行性零样本评估方法

《IEEE Robotics & Automation Magazine》：ZeST: A VLM-Based Zero-Shot Traversability Navigation for Unknown Environments

　　

摘要：

机器人和自主导航系统的进展取决于准确预测地形可通行性的能力。训练这些预测模型的数据集生成传统方法通常涉及将机器人置于潜在的危险环境中，对设备和安全构成风险。为了解决这个问题，我们提出了 ZeST，这是一种新方法，将重复的 VLM 输出视为随机测量，并将它们融合为具有不确定性感知的后验概率。我们的方法不仅实现了零样本可通行性评估，减轻了与真实世界数据收集相关的风险，还加速了高级导航系统的发展，提供了一种具有成本效益且可扩展的解决方案。为了支持我们的发现，我们展示了在受控室内和非结构化室外环境中的导航结果。如实验所示，ZeST 提供了更安全的导航，成功率为 90-100%，而没有基线方法超过 60%，并且在查询延迟高达 3.6秒。