Het navigeren door ongestructureerde en geometrisch uitdagende omgevingen blijft een van de grootste hindernissen voor mobiele robots. Traditionele systemen voor terreinbeoordeling leunen zwaar op geometrische gegevens. Hoewel deze berekeningen snel worden uitgevoerd, leiden ze vaak tot een te voorzichtige koers. Hierdoor vermijden robots routes die in de praktijk wel begaanbaar zijn, wat de operationele efficiëntie en de onafhankelijkheid van de machine beperkt.
Om deze beperkingen te overbruggen, hebben Aoran Jiao en een team van collega-onderzoekers PIVOT ontwikkeld. Deze afkorting staat voor Physically Informed Vision-Language Off-Road Traversability. Volgens een wetenschappelijke publicatie via arxiv.org integreert dit systeem semantische redenering uit vision-language-modellen (VLM) met de conventionele geometrische planning.
De kern van PIVOT ligt in het vermogen om visuele informatie te koppelen aan fysieke realiteiten. Het systeem analyseert de samenhang tussen de voorspellingen van het taalmodel en de daadwerkelijke metingen op drie cruciale vlakken: de benodigde energie om een terrein te doorkruisen, de trillingen die de robot ervaart en het slippen van de wielen. Door deze correlaties te kwantificeren, kan het systeem een uniforme score voor begaanbaarheid toekennen. Hierbij wordt elke modaliteit gewogen op basis van hoe accuraat de voorspelling overeenkomt met de werkelijke fysieke data. In algemene zin kan men dit zien als een strategisch draaipunt, waarbij de term merriam-webster.com in een bredere context vaak verwijst naar een centrale as of een fundamentele verandering in richting of aanpak.
Om te voorkomen dat de rekenintensieve semantische analyse de voortgang van de robot belemmert, hanteert PIVOT een navigatiestructuur met twee niveaus. De geometrische planning fungeert als de standaardmodus. Pas wanneer deze methode geen veilige of haalbare route kan identificeren, wordt de semantische herplanning via het VLM geactiveerd. Deze gelaagde architectuur stelt de robot in staat om de snelheid van geometrische berekeningen te behouden, terwijl de intelligentie van het visuele model dient als een noodzakelijk vangnet voor complexe scenario's.
De effectiviteit van deze aanpak is uitvoerig getest tijdens vijf herhaalde closed-loop proeven op een route met gemengd terrein, met een totale afstand van ongeveer 6,4 kilometer. De resultaten, zoals beschreven in het , laten een aanzienlijke sprong in prestaties zien vergeleken met systemen die enkel op geometrie vertrouwen. De totale autonomie steeg van 59,6% naar 97,0%. Daarnaast daalde het aantal noodzakelijke menselijke interventies van 11 naar slechts 3.
Ook de gemiddelde afstand tussen interventies, bekend als de Mean Distance Between Interventions (MDBI), vertoonde een sterke stijging: van 69,2 meter naar 412,9 meter. Deze cijfers onderstrepen dat het fysiek onderbouwen van VLM-gebaseerde beoordelingen de beperkingen van puur geometrische systemen effectief kan doorbreken.
Door semantisch inzicht te integreren zonder de snelheid van de standaardplanning op te offeren, kunnen veldrobots aanzienlijk onafhankelijker opereren in onvoorspelbare natuurlijke omgevingen. Het onderzoek naar PIVOT is op 17 september 2026 ingediend door Aoran Jiao en medeauteurs Wenda Zhao, Hshmat Sahak en Timothy D. Barfoot, en is raadpleegbaar via de .