RVN-Bench: 반응형 시각 내비게이션을 위한 벤치마크

RVN-Bench: A Benchmark for Reactive Visual Navigation

복잡한 환경에서 작동하는 실내 로봇에게 안전한 시각 내비게이션은 매우 중요합니다. 기존 벤치마크는 종종 충돌을 고려하지 않거나, 실외 시나리오를 위해 설계되어 실내 시각 내비게이션에 적합하지 않은 경우가 많습니다. 이러한 한계를 극복하기 위해, 저희는 충돌을 고려한 실내 로봇용 벤치마크인 반응형 시각 내비게이션 벤치마크(RVN-Bench)를 소개합니다. RVN-Bench에서는 에이전트가 이전에 보지 못한 환경에서 시각 정보만 사용하여 미리 정의된 목표 위치 순서대로 이동해야 하며, 충돌을 피해야 합니다. Habitat 2.0 시뮬레이터 기반으로 제작되었으며, 고품질의 HM3D 장면을 활용하여 RVN-Bench는 대규모의 다양한 실내 환경을 제공하고, 충돌을 고려한 내비게이션 작업 및 평가 지표를 정의하며, 표준화된 학습 및 벤치마킹 도구를 제공합니다. RVN-Bench는 온라인 강화 학습을 위한 환경, 경로 이미지 데이터셋 생성기, 그리고 충돌 상황을 포착하는 음수 경로 이미지 데이터셋을 생성하는 도구를 제공하여 온라인 및 오프라인 학습을 모두 지원합니다. 실험 결과, RVN-Bench에서 학습된 정책은 새로운 환경에서도 효과적으로 일반화되는 것으로 나타났으며, 이는 안전하고 강력한 시각 내비게이션을 위한 표준 벤치마크로서의 가치를 입증합니다. 코드 및 추가 자료는 다음 링크에서 확인할 수 있습니다: https://rvn-bench.github.io/.

Safe visual navigation is critical for indoor mobile robots operating in cluttered environments. Existing benchmarks, however, often neglect collisions or are designed for outdoor scenarios, making them unsuitable for indoor visual navigation. To address this limitation, we introduce the reactive visual navigation benchmark (RVN-Bench), a collision-aware benchmark for indoor mobile robots. In RVN-Bench, an agent must reach sequential goal positions in previously unseen environments using only visual observations and no prior map, while avoiding collisions. Built on the Habitat 2.0 simulator and leveraging high-fidelity HM3D scenes, RVN-Bench provides large-scale, diverse indoor environments, defines a collision-aware navigation task and evaluation metrics, and offers tools for standardized training and benchmarking. RVN-Bench supports both online and offline learning by offering an environment for online reinforcement learning, a trajectory image dataset generator, and tools for producing negative trajectory image datasets that capture collision events. Experiments show that policies trained on RVN-Bench generalize effectively to unseen environments, demonstrating its value as a standardized benchmark for safe and robust visual navigation. Code and additional materials are available at: https://rvn-bench.github.io/.