论文导读
东北大学和体验机器人研究所团队提出UNI，用四轮助行器加智能手机收集轮式导航示范，不必带着目标机器人逐段遥操作。团队走出37.2公里真实轨迹，用这些数据微调视觉导航模型后，保留示范上的轨迹预测误差下降17.4%—24.8%，并把策略闭环迁移到电动轮椅。
助行器走不过去的地方，轮式机器人也该避开
移动机器人采数据通常要准备相同底盘、传感器和遥控系统。换一种机器人，操作接口和视角都可能重做，规模很难上去。人拿手机步行虽然便宜，却会走上楼梯、跨过高路缘或挤过轮式设备无法通过的窄缝。
UNI利用助行器自身的物理限制筛选路线。四个轮子无法爬楼，也不能穿过过窄间隙，采集者自然会选择坡道、路缘切口和足够宽的通道。这种“低成本代理”提供的路径，比普通行人轨迹更接近轮式可行路线。
图1：论文主图展示采集者推助行器选择无障碍路径，右侧是手机和传感器配置。
手机记录画面，助行器提供物理约束
设备由四轮助行器、手机支架和iPhone组成，同时记录RGB-D、音频、GPS与惯性数据。系统从这些观测恢复带尺度的运动轨迹，直接给目标条件导航模型提供监督。采集者不需要驾驶电动轮椅，也不必学习机器人遥操作。
图2：硬件图标出手机安装位置与助行器结构。
37.2公里数据覆盖人行道、交通枢纽、室内入口、路缘和雨后路面。不同环境里，视觉外观、障碍物和地面高度变化都进入训练集，路线仍由助行器的通行能力约束。
图3：数据示例包括城市人行道、建筑入口、地铁门槛、积水路面和施工通道。
误差最多降24.8%，再迁移到电动轮椅
在保留的UNI示范上，用UNI微调视觉导航模型后，轨迹预测误差下降17.4%—24.8%。换到其他导航数据集时，收益随数据集和指标变化，说明低成本代理与目标平台之间仍有视角、速度和动力学差异。
团队进一步把策略放到电动轮椅上，测试路缘、楼梯和路缘切口。示例中轮椅在障碍前减速并停止，也会在可通行坡道上继续前进。
图4：论文展示轮椅接近障碍后把速度降到零的闭环过程。
下一步检验不同轮径、负载和人群环境
助行器能约束几何通行性，却不能完全复现电动轮椅的制动距离、转弯半径和载人负载。人流密集场景还要求舒适减速与社会导航。后续可用少量目标平台数据校准动力学，把UNI扩展到配送车、清洁机器人和不同规格轮椅，并持续记录哪些环境迁移有效、哪些仍需专用实机采集。
采集规范也要加入隐私处理、路线许可和传感器失效检查，使低成本扩容不会把不可用或不适合共享的数据带进训练集。
参考资料
https://arxiv.org/abs/2609.20114
