AimBot: Una señal visual auxiliar simple para mejorar la conciencia espacial de las políticas visomotoras
AimBot: A Simple Auxiliary Visual Cue to Enhance Spatial Awareness of Visuomotor Policies
August 11, 2025
Autores: Yinpei Dai, Jayjun Lee, Yichi Zhang, Ziqiao Ma, Jed Yang, Amir Zadeh, Chuan Li, Nima Fazeli, Joyce Chai
cs.AI
Resumen
En este artículo, proponemos AimBot, una técnica ligera de aumento visual que proporciona señales espaciales explícitas para mejorar el aprendizaje de políticas visuomotoras en la manipulación robótica. AimBot superpone líneas de disparo y retículas de mira en imágenes RGB de múltiples vistas, ofreciendo una guía visual auxiliar que codifica el estado del efector final. Las superposiciones se calculan a partir de imágenes de profundidad, extrínsecos de la cámara y la pose actual del efector final, transmitiendo explícitamente las relaciones espaciales entre la pinza y los objetos en la escena. AimBot incurre en un sobrecargo computacional mínimo (menos de 1 ms) y no requiere cambios en las arquitecturas del modelo, ya que simplemente reemplaza las imágenes RGB originales con versiones aumentadas. A pesar de su simplicidad, nuestros resultados muestran que AimBot mejora consistentemente el rendimiento de diversas políticas visuomotoras tanto en entornos de simulación como en el mundo real, destacando los beneficios de la retroalimentación visual basada en fundamentos espaciales.
English
In this paper, we propose AimBot, a lightweight visual augmentation technique
that provides explicit spatial cues to improve visuomotor policy learning in
robotic manipulation. AimBot overlays shooting lines and scope reticles onto
multi-view RGB images, offering auxiliary visual guidance that encodes the
end-effector's state. The overlays are computed from depth images, camera
extrinsics, and the current end-effector pose, explicitly conveying spatial
relationships between the gripper and objects in the scene. AimBot incurs
minimal computational overhead (less than 1 ms) and requires no changes to
model architectures, as it simply replaces original RGB images with augmented
counterparts. Despite its simplicity, our results show that AimBot consistently
improves the performance of various visuomotor policies in both simulation and
real-world settings, highlighting the benefits of spatially grounded visual
feedback.