AimBot : Un repère visuel auxiliaire simple pour améliorer la conscience spatiale des politiques visuomotrices

AimBot: A Simple Auxiliary Visual Cue to Enhance Spatial Awareness of Visuomotor Policies

August 11, 2025

papers.authors: Yinpei Dai, Jayjun Lee, Yichi Zhang, Ziqiao Ma, Jed Yang, Amir Zadeh, Chuan Li, Nima Fazeli, Joyce Chai

cs.AI

papers.abstract

Dans cet article, nous proposons AimBot, une technique légère d'augmentation visuelle qui fournit des repères spatiaux explicites pour améliorer l'apprentissage de politiques visuomotrices dans la manipulation robotique. AimBot superpose des lignes de visée et des réticules sur des images RVB multi-vues, offrant ainsi un guidage visuel auxiliaire qui encode l'état de l'effecteur terminal. Les superpositions sont calculées à partir d'images de profondeur, des extrinsèques de la caméra et de la pose actuelle de l'effecteur terminal, transmettant explicitement les relations spatiales entre la pince et les objets de la scène. AimBot induit une surcharge computationnelle minimale (moins de 1 ms) et ne nécessite aucune modification des architectures de modèle, car il remplace simplement les images RVB originales par leurs versions augmentées. Malgré sa simplicité, nos résultats montrent qu'AimBot améliore systématiquement les performances de diverses politiques visuomotrices, tant en simulation que dans des environnements réels, mettant en évidence les avantages d'un retour visuel ancré spatialement.

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.