3DTTNet：基于多模态融合的3D可通行地形建模用于越野环境
机器人学
2025-08-07 v2 人工智能
计算机视觉与模式识别
摘要
越野环境对自主地面车辆来说仍然是重大挑战，因为缺乏结构化道路以及存在复杂障碍物，如不平坦的地形、植被和遮挡。传统感知算法主要设计用于结构化环境，在非结构化场景中经常失效。在本文中，通过语义场景完成实现可通行区域识别。提出了一种新颖的多模态方法3DTTNet，通过整合激光雷达点云与前置单目图像来生成密集的可通行地形估计。通过整合多模态数据，加强了环境特征提取，这对于在复杂地形中进行精确的地形建模至关重要。此外，引入了RELLIS-OCC，一个包含3D可通行标注的数据集，涵盖了几何特征，如台阶高度、坡度和不平整度。通过对车辆跨越障碍物条件的全面分析以及结合车辆车身结构约束，生成了四种可通行性代价标签：致命、中代价、低代价和无代价。实验结果表明，3DTTNet在3D可通行区域识别方面优于对比方法，特别是在具有不规则几何形状和部分遮挡的越野环境中。具体而言，3DTTNet在场景完成IoU方面相比其他模型实现了42%的提升。所提出的框架是可扩展且适用于各种车辆平台的，允许调整占用网格参数以及集成先进的动态模型以进行可通行性代价估计。
引用
@article{arxiv.2412.08195,
title = {3DTTNet: Multimodal Fusion-Based 3D Traversable Terrain Modeling for Off-Road Environments},
author = {Zitong Chen and Chao Sun and Shida Nie and Chen Min and Changjiu Ning and Haoyu Li and Bo Wang},
journal= {arXiv preprint arXiv:2412.08195},
year = {2025}
}
备注
15 pages,13 figures