用于辅助移动场景下自主轮椅导航的可扩展且安全的可通行性学习

方梓芃^1,2，张晗^1,2，陈卫东^1,2

（1. 上海交通大学 自动化与感知学院；医疗机器人研究所，上海 200240； 2. 系统控制与信息处理教育部重点实验室，上海 200240）

摘要：自主轮椅导航在辅助移动领域发挥着重要作用，使老年人和行动障碍人士能够在日常环境中实现独立出行。为了在实际应用中提供可靠的辅助服务，自主轮椅导航系统的感知模块不仅需要保障用户安全，还应具备在多样化且未知环境中的可扩展部署能力。自监督可通行性估计由于无需人工标注即可完成模型训练，因此成为一种极具潜力的解决方案。然而，现有方法通常缺乏对不可通行区域的显式监督，这可能导致模型在安全关键场景中产生不安全的预测结果。为解决上述问题，本文提出了一种鲁棒的可通行性标注策略，并在此基础上设计了一种结合改进损失函数的多模态学习框架，以实现安全可靠的可通行性估计。具体而言，构建了一套自动标注流程，利用机器人足迹、激光雷达以及摄像头信息作为提示，引导视觉基础模型自动生成可通行性标签。基于这些自动生成的标签，训练了一种双流网络结构，分别提取不同模态的特征表示，从而提升对多样化可通行模式的识别能力。同时，引入稀疏激光雷达标签对伪标签中的噪声区域和冲突区域进行掩蔽，并提供几何约束信息，以纠正潜在的标注误差。在城市道路、校园、医院场景数据集上的大量实验结果证明了所提出方法的有效性。所设计的自动标注策略能够稳定地产生高质量标签，其交并比（IoU）达到88.3%至97.5%。基于该标注策略训练得到的可通行性估计网络进一步超越了现有最先进的自监督方法，在IoU指标上取得了1.6%至5%的性能提升。此外，真实环境实验进一步验证了所提出框架在辅助移动场景下自主轮椅导航中的实用性与环境适应能力。

关键词：自主轮椅，辅助移动，自监督学习，可通行性估计，多模态感知

扫二维码浏览全文 

Cite this article

Fang, Z., Zhang, H. & Chen, W. Scalable and Safe Traversability Learning for Autonomous Wheelchair Navigation in Assistive Mobility. J. Shanghai Jiaotong Univ. (Sci.) (2026). https://doi.org/10.1007/s12204-026-2950-9

支持单位：