原文作者：公眾號“視覺語言導航”
原文鏈接：https://mp.weixin.qq.com/s/4dTxzJyX4bWfaNjziaQ3nQ
- 作者：Vansh Garg1?, Rohit Jayanti1?, Krish Pandya1?, Sarthak Chittawar1?, Siddharth Tourani2,3, Muhammad Haris Khan3, Sourav Garg1?, Madhava Krishna1?
- 單位：1印度海德拉巴國際信息技術研究所機器人研究中心，2德國海德堡大學，3穆罕默德·本·扎耶德人工智能大學
- 論文標題：MASt3R-Nav: WayPixel Navigation in Relative 3D Maps
- 論文鏈接：https://arxiv.org/abs/2605.24111
- 項目主頁：https://mast3r-nav.github.io/
- 代碼鏈接：https://github.com/vanshg1729/mast3r-nav
研究背景
視覺導航是自主機器人、智能移動設備的核心能力，而環境表征方式直接決定導航精度、魯棒性與落地門檻。當前主流視覺導航方案各有致命短板，始終難以兼顧精度、效率與通用性：
? 經典全局度量3D地圖： 依托占據柵格、SLAM重建全局一致幾何地圖，雖能實現精準路徑規劃，但高度依賴高精度全局位姿配準、完整3D點云重建，算力開銷大、對環境變化敏感，一旦匹配誤差累積直接導航失效。
? 圖像相對拓撲導航： 以關鍵幀圖像為地圖節點，依靠幀間視覺相似度構建拓撲邊，完全弱化三維幾何約束。優勢是輕量化，但功能極度受限，僅能實現簡單示教-復現，無法自主規劃新路徑、應對未知岔路與場景變化。
? 物體相對語義導航： 將環境抽象為柜子、墻面、桌椅等語義物體，以物體為子目標做路徑規劃。雖能提升規劃容錯性，但過度語義抽象丟失底層幾何細節，墻面邊界、斜坡、微小障礙物等信息被抹平，極易出現決策偏差、走錯路線、碰撞風險。
除此之外，現有方案普遍存在規劃與控制割裂痛點：控制器只能接收單一粗粒度子目標，沒有連續的局部代價梯度引導，無法自主修正規劃路徑的微小誤差，復雜室內場景適應性極差。 在此背景下，論文立足像素級局部相對幾何，跳出全局重建與高層抽象的固有思維，打造全新的像素級導航范式。
主要貢獻
- 全新像素級地圖表征： 提出MASt3R-Nav拓撲導航流水線，構建像素-相對3D連通性地圖，僅利用像素間局部相對幾何關系，無需全局坐標一致性、無需精準位姿估計、無需額外深度傳感器，大幅降低建圖與導航門檻。
- 首創WayPixel代價圖中間表征： 設計稠密像素級WayPixel Costmap，作為路徑規劃與控制器的通用接口。完整保留墻面、坡度、遮擋物等精細幾何梯度，彌補圖像級、物體級表征細節丟失的硬傷。
- 定制化PixelReact學習控制器： 專為WayPixel代價圖設計軌跡預測控制器，利用像素稠密代價梯度自主修正路徑偏差，對規劃瑕疵具備強魯棒性，精準輸出機器人局部鳥瞰視角軌跡路點。
- 全場景嚴苛驗證： 在4類高難度導航任務中全面超越GNM、ObjectReact等SOTA算法；仿真訓練模型可直接部署真實P3DX移動機器人，實現零微調仿真到現實遷移，落地實用性拉滿。
研究方法
MASt3R-Nav整體架構分為骨干模型、離線建圖、在線執行、控制器訓練四大核心環節，同時引入圖結構精簡策略，在保證幾何精度的前提下嚴控計算開銷。
1. 核心骨干：MASt3R 3D基礎模型
全程采用凍結預訓練的MASt3R作為視覺感知骨干，輸入任意RGB圖像對，即可輸出兩大核心能力：
定義像素與之間3D歐氏距離：
僅靠單目RGB圖像+基礎模型，就能獲取可靠的相對三維幾何，擺脫硬件依賴。
2. 離線建圖：像素級拓撲地圖構建
機器人遍歷環境采集圖像序列，構建像素拓撲圖 ：
- 節點N：只保留參與跨幀匹配的有效像素，過濾無幾何關聯冗余像素；
- 幀間邊：不同圖像中匹配的同一物理像素，代價置為0，實現跨幀坐標關聯；
- 幀內邊：同一張圖像內的有效像素互連，代價由3D歐氏距離決定；
為解決百萬級像素圖計算爆炸問題，采用三重優化：僅保留有匹配像素、用歐氏最小生成樹EMST替代全連接、運行時動態激活孤立像素，在保留幾何完整性的同時，大幅壓縮圖規模。
3. 在線執行：定位 + WayPixel稠密代價圖生成
這是導航的核心環節，三步生成全覆蓋像素代價梯度：
- 像素級定位：當前實時圖像與歷史子圖做稠密匹配，選取匹配度最高的子圖完成機器人定位；
- 稀疏代價初始化：用Dijkstra算法預計算地圖所有像素到目標的最短路徑代價，實時匹配像素直接繼承地圖像素規劃代價；
- 全局代價傳播：將稀疏匹配像素的代價，擴散至整張圖像所有未匹配像素，生成WayPixel代價圖。
最終畫面中每一個像素都擁有指向目標的連續代價梯度，為控制器提供細粒度決策依據。
4. 訓練階段：PixelReact控制器
沿用成熟的模仿學習框架，網絡由卷積編碼器+MLP解碼器組成：
- 編碼器輸入WayPixel代價圖，提取稠密幾何特征；
- 以真實最優路徑為監督，采用L2回歸損失訓練，完美擬合最優導航軌跡，兼容各類室內布局。
實驗設置
為公平對比算法性能，論文搭建標準化、多維度的實驗評測體系：
- 評測數據集：采用HM3D-IIN數據集驗證集，包含36個獨立室內場景，單場景設置獨立導航任務，覆蓋住宅、辦公等復雜環境；
- 陌生目標導航：前往見過但未走到的目標，需自主規劃新路線；
- 反向遍歷：逆著歷史軌跡完成導航，考驗大視角匹配能力；
- 核心評估指標采用機器人導航通用權威指標：SPL（路徑加權成功率）、SSPL（軟路徑加權成功率），兼顧任務完成度與路徑效率；
- 成功判定標準：機器人300步內抵達目標1米范圍內，判定導航成功；
- 軟硬件部署：仿真基于Habitat平臺；真實硬件采用P3DX移動機器人+RealSense RGB相機；算法評測服務器配置AMD Ryzen 9 7950X + RTX A4000 16GB。
實驗結果
1. 表征維度 ablation 對比
單純更換圖像匹配器，無法提升物體級導航上限；而像素級WayPixel表征+PixelReact控制器組合，SPL從傳統物體級51.51%飆升至81.77% ，證明像素細粒度幾何表征才是性能突破關鍵。
2. 與SOTA算法全方位PK
MASt3R-Nav在軌跡模仿、陌生目標、捷徑規劃三大任務上大幅領跑：
- 模仿任務SPL高達93.94% ，超過往最優模型10個百分點；
- 僅反向遍歷任務受大視角匹配歧義影響性能略低，四項任務平均SPL 52.79% ，綜合實力斷層領先。
3. 圖結構效率權衡
采用EMST精簡策略后，幀內邊數從466萬驟減至2.4萬，Dijkstra規劃耗時從9.0s壓縮至1.4s，算力大幅下降的同時，導航性能無任何衰減；冗余全像素匹配反而會引入噪聲、降低成功率，充分驗證稀疏像素幾何的有效性。
4. 大規模環境可擴展性
環境從1層擴展至3層大型辦公樓宇，算法運行耗時、內存占用均呈線性增長；即便擁有8萬像素節點的超大地圖，總運行時長不足5分鐘，存儲僅540.18MB，完全支持大型園區、樓宇規模化部署。
5. 真實機器人落地實測
僅在仿真HM3D數據集訓練的模型，無需任何微調，可直接部署真實未知室內環境。機器人依托WayPixel代價圖精準感知障礙物、預判通行方向，平穩規劃軌跡抵達目標，仿真遷移現實能力極強。
總結與未來工作
研究核心總結
MASt3R-Nav的誕生，徹底打破了機器人視覺導航的固有設計思路：
- 摒棄全局3D重建與繁瑣位姿標定，依托像素相對3D連通性輕量化建圖；
- WayPixel代價圖鎖住精細幾何細節，解決物體級表征抽象過度、決策失誤痛點；
- PixelReact控制器利用稠密梯度容錯規劃誤差，導航更穩定、更智能；
- 兼顧精度、算力、可擴展性與落地性，仿真、真實機器人雙場景全面驗證價值。
未來研究方向
- 探索像素幾何+物體語義混合表征，融合兩者優勢，補齊反向軌跡導航短板；
- 優化MASt3R大視角圖像匹配策略，提升極端視角、低重疊場景下的定位規劃精度；
- 進一步輕量化模型與圖結構，適配小型無人機、家用服務機器人等低算力終端設備。
雷峰網(公眾號：雷峰網)
專題
