AGRNav：面向易遮挡环境中空-地机器人的高效节能自主导航
机器人学
2024-03-19 v1
摘要
空-地机器人卓越的机动性和长续航能力正引发人们对其在复杂环境（如森林和大型建筑）中导航的兴趣。然而，此类环境常包含遮挡和未知区域，若不能准确预测未观测到的障碍物，在现有基于建图和基于学习的导航方法下，空-地机器人的运动往往会得到次优轨迹。在这项工作中，我们提出了AGRNav，一个旨在搜索安全且节能的空-地混合路径的新型框架。AGRNav包含一个轻量级的、带有自注意力机制的语义场景补全网络（SCONet），通过捕捉上下文信息和遮挡区域特征来实现准确的障碍物预测。该框架随后采用基于查询的方法，将预测结果低延迟地更新到栅格地图。最后，基于更新后的地图，分层路径规划器高效地搜索用于导航的节能路径。我们通过在仿真和真实环境中的基准测试验证了AGRNav的性能，证明了其相对于经典和最先进方法的优越性。开源代码可在https://github.com/jmwang0117/AGRNav获取。
引用
@article{arxiv.2403.11607,
title = {AGRNav: Efficient and Energy-Saving Autonomous Navigation for Air-Ground Robots in Occlusion-Prone Environments},
author = {Junming Wang and Zekai Sun and Xiuxian Guan and Tianxiang Shen and Zongyuan Zhang and Tianyang Duan and Dong Huang and Shixiong Zhao and Heming Cui},
journal= {arXiv preprint arXiv:2403.11607},
year = {2024}
}
备注
Accepted to ICRA 2024