基于改进YOLO-World的低延迟移动机器人目标跟随方法

《Symmetry》：A Low-Latency Mobile Robot Target Following Method Based on Improved YOLO-World

　　

本文针对移动机器人目标跟随任务中高延迟和缺乏有效恢复策略的挑战，提出了一种基于改进YOLO-World算法的低延迟移动机器人目标跟踪方法。该过程主要包括三个部分：目标检测、目标跟踪和运动控制。首先，在目标检测部分，研究人员在YOLO-World框架内引入了一种定制的轻量级骨干网络GSS，该网络通过级联卷积操作逐步扩大感受野，并通过通道混合机制增强跨组特征交互，在检测精度损失最小的情况下显著提高了模型效率。此外，在检测头中应用了深度可分离卷积以减少计算冗余。其次，在目标跟踪部分，采用了基于改进BoT-SORT的轻量级目标跟踪算法，通过优化重识别特征提取骨干网络有效降低了跟踪延迟。然后，在运动控制部分，采用了基于视觉伺服控制的主动搜索策略。当跟踪的目标丢失时，该策略利用基于相机运动补偿的跟踪器预测目标运动状态，并据此控制机器人主动搜索目标。随后，通过目标重识别恢复特征跟踪，从而重新建立目标跟随。在公共数据集和真实场景中的实验表明，所提出的方法具有强大的鲁棒性和实时性能。

**基于改进YOLO-World的低延迟移动机器人目标跟随方法解读**

**一、 研究背景与意义**
在安防、物流和医疗等领域部署的移动机器人，其核心基础能力之一是实时目标跟随。这项任务涉及三个紧密耦合的子问题，共同决定了系统性能：目标检测必须在满足实时性约束的同时，在开放词汇场景下保持准确性；目标跟踪必须维持较低的重识别延迟，以便机器人能持续更新目标状态；当目标离开机器人视野时，需要有效的恢复策略。然而，现有方法存在显著不足。尽管YOLO-World等开放词汇检测模型显著提升了目标检测能力，但其参数量大、结构复杂，导致计算复杂度高，在移动机器人上执行实时跟随任务时通常表现出高延迟。同时，现有的轻量化网络方法在降低复杂度的同时，往往导致目标检测精度损失较大。在目标跟踪方面，虽然BoT-SORT等算法结合了运动补偿和卡尔曼滤波，但其所采用的重识别网络（如ResNeSt-50）权重过大，无法满足移动机器人实时跟随的需求。在运动控制方面，常用的PID控制、滑模控制等方法虽各有优势，但普遍缺乏在目标因视野受限而丢失后的主动搜索与重获机制。因此，开发一种兼具低延迟、高精度和有效恢复能力的移动机器人目标跟随方法具有重要的现实意义。本项研究旨在解决上述两个关键开放性问题：一是降低检测和重识别阶段的端到端延迟，使机器人能及时响应目标的快速移动；二是提供目标离开相机视野后的有效跟随恢复策略。相关成果发表于《Symmetry》期刊。

**二、 关键技术方法概述**
为达成研究目标，研究人员构建了一个集成系统，主要采用了三项关键技术。首先，提出了一种基于改进YOLO-World的轻量级目标检测算法。在YOLO-World框架下，设计了名为GSS的轻量级骨干网络以替代原骨干，该网络通过Ghost模块进行初级特征提取，采用特征分组和级联渐进卷积进行多尺度特征增强，并引入通道混合机制。同时，将检测头中的标准3×3卷积替换为深度可分离卷积，以降低计算冗余。其次，采用了一种基于改进BoT-SORT的轻量级目标跟踪算法。核心改进是将原重识别特征提取骨干网络替换为更轻量的MobileNetV3-Small，从而大幅降低模型大小和计算开销，减少重识别延迟。最后，设计了一种基于视觉伺服控制的主动搜索策略。该策略利用RGB-D相机获取目标深度信息，通过截断均值滤波处理以减少噪声干扰。当目标丢失时，系统基于相机运动补偿跟踪器预测目标运动状态，控制机器人沿预测方向主动搜索，并在目标重现时通过特征重识别恢复跟随。实验平台包括搭载NVIDIA RTX 4060 GPU的训练平台和搭载NVIDIA Jetson Nano处理器、乐视TMC-520 RGB-D相机的车载机器人平台。算法在PASCAL VOC等公共数据集上进行预训练和评估。

**三、 研究结果分析**
**2.1. 模型总体结构与系统概述**
研究人员提出了一个基于改进YOLO-World的低延迟移动机器人目标跟随方法，其结构如图1所示。该方法在目标检测部分基于YOLO-World框架进行轻量化改进；在目标跟踪部分优化BoT-SORT算法的重识别网络；在运动控制部分引入主动搜索与恢复机制，共同应对高延迟和目标丢失恢复的挑战。

**2.2. 基于改进YOLO-World的轻量级目标检测算法**
为提升开放词汇检测能力并降低延迟，研究人员提出了轻量级检测算法。其骨干网络GSS的结构如图2所示，通过GhostNet模块、特征分组、级联瓶颈块和通道混合等步骤处理特征图，利用跨层特征复用机制和多尺度特征融合策略，在显著降低模型复杂度的同时保持了与基线模型相当的检测精度。颈部网络采用YOLO-World的RepVL-PAN结构，并利用文本引导CSPLayer和图像池化注意力增强图像与文本特征的交互。对检测头的改进如图3所示，用深度可分离卷积替代标准卷积，将空间特征提取与通道特征组合分离处理，大幅减少了计算量和冗余。

**3.2. 目标检测器实验结果分析**
通过消融实验、对比实验和开放词汇检测实验验证了目标检测器的性能。消融实验结果表明，引入GSS轻量骨干和检测头轻量化改进，在仅损失2.5%检测精度（mAP@0.5）和3.2%平均精度的情况下，使参数量减少了0.8M，GFLOPs降低了约1.6。对比实验显示，与原始YOLOv8n、替换为MobileNetV3骨干的模型以及完整YOLO-World模型相比，本文提出的检测器在显著降低参数量和网络复杂度的同时，保持了可接受的精度下降，并具备了开放词汇检测能力。开放词汇检测实验可视化结果如图6和表3所示，当预设类别不包含“男人”或“女人”时，检测器仍能以中等置信度检测出这些未见类别，证明了其开放词汇泛化能力，尽管由于图像压缩等原因，对未见类别的置信度低于已见类别“人”。

**2.3. 基于改进BoT-SORT的轻量级目标跟踪算法**
目标跟踪算法结构如图4所示。BoT-SORT算法结合运动相机补偿和卡尔曼滤波进行跟踪。为降低延迟，研究人员将其重识别骨干替换为MobileNetV3-Small。如表4和表5所示，在MOT20数据集上，BoT-SORT在多项跟踪指标上表现优异。在Market-1501数据集上的对比实验表明，使用MobileNetV3-Small作为重识别网络，虽然平均精度均值下降了11.82%，但模型大小从287MB降至26.4MB，内存占用减少了约90.8%，极大地提高了跟踪速度，满足了移动机器人低延迟跟踪的需求。

**2.4. 基于视觉伺服控制的主动搜索策略**
主动搜索策略流程图如图5所示。该策略利用RGB-D相机获取目标深度信息，通过提取目标跟踪框中心子区域并采用截断均值滤波得到目标深度。设计PID控制器，根据目标位置与期望位置的误差，实时控制移动机器人的角速度和线速度，以保持与目标的标定距离并稳定跟随。当目标丢失时，机器人依据最后已知帧的目标跟踪框预测其下一位置信息，并控制机器人向目标消失方向移动进行主动搜索。若目标重现，则通过特征重识别恢复跟踪。

**3.4. 移动机器人目标跟随实验**
在具有90度拐角的学校走廊场景中进行了移动机器人目标跟随实验，过程如图7所示。(a)目标进入拐角前，机器人稳定跟随（目标ID为1）。(b)目标进入拐角后丢失，机器人启动主动搜索。(c)目标重现后，通过特征重识别成功恢复跟随（ID仍为1）。实验结果表明，该方法在目标检测和跟随方面具有较高精度和良好的实时性，能够实现目标的实时稳定跟随。在不同场景下的恢复成功率如表6所示，在转弯场景下为90%，行人遮挡下为80%，低光照条件下为70%，整体平均恢复率为80%。在移动机器人平台上帧率稳定在约13 FPS，证实了其实时性能。

**四、 讨论与结论**
**4. 结论**
本文提出了一种基于改进YOLO-World的低延迟移动机器人目标跟随方法，该方法由目标检测、目标跟踪和运动控制三部分组成。通过在检测头中引入GSS轻量骨干和深度可分离卷积，所提出的检测器在PASCAL VOC数据集上实现了75.7%的mAP@0.5，参数量仅为2.74 M，同时保留了开放词汇检测能力。将重识别骨干替换为MobileNetV3-Small使模型大小减少了90.8%。基于视觉伺服控制的主动搜索策略使得目标丢失后能够有效重获。该系统在Jetson Nano平台上实现了76.9 ms（13 FPS）的端到端延迟，在三种真实场景下的整体恢复成功率为80%。然而，仍存在一些局限性：在低光照条件下，由于特征可区分性降低，恢复率下降至70%；尚未应用如TensorRT等硬件特定的推理加速技术，存在进一步降低延迟的空间；对于未见类别的开放词汇检测置信度仍低于预训练类别，特别是在图像压缩伪影下。未来的工作将集中于低光照鲁棒性增强、基于TensorRT的推理优化以及在更复杂的室外环境中的验证。