AimBot: Простой вспомогательный визуальный маркер для улучшения пространственного восприятия в визомоторных стратегиях
AimBot: A Simple Auxiliary Visual Cue to Enhance Spatial Awareness of Visuomotor Policies
August 11, 2025
Авторы: Yinpei Dai, Jayjun Lee, Yichi Zhang, Ziqiao Ma, Jed Yang, Amir Zadeh, Chuan Li, Nima Fazeli, Joyce Chai
cs.AI
Аннотация
В данной статье мы представляем AimBot — легковесную технику визуального дополнения, которая предоставляет явные пространственные подсказки для улучшения обучения визомоторных стратегий в задачах роботизированного манипулирования. AimBot накладывает линии прицеливания и сетки прицела на многовидовые RGB-изображения, предлагая вспомогательное визуальное руководство, кодирующее состояние конечного исполнительного устройства. Наложения вычисляются на основе глубинных изображений, внешних параметров камер и текущей позы конечного исполнительного устройства, явно передавая пространственные взаимосвязи между захватом и объектами в сцене. AimBot требует минимальных вычислительных затрат (менее 1 мс) и не требует изменений в архитектуре моделей, так как просто заменяет исходные RGB-изображения их дополненными версиями. Несмотря на свою простоту, наши результаты показывают, что AimBot последовательно улучшает производительность различных визомоторных стратегий как в симуляции, так и в реальных условиях, подчеркивая преимущества пространственно обоснованной визуальной обратной связи.
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.