超越前沿：通过学习平面图从占据网格预测未见墙壁

在本文中，我们解决了根据沿360°激光雷达传感器轨迹集成的占据网格，将部分观测环境的未见墙壁预测为一组二维线段这一挑战。通过在一组来自大学校园的办公室规模平面图中，让虚拟机器人在一组随机采样的航点之间导航，收集了此类占据网格及其对应目标墙段的数据集。线段预测任务被表述为自回归序列预测任务，并在该数据集上训练了一个基于注意力的深度网络。通过预测信息增益（如基于前沿的自主探索）来评估基于序列的自回归公式，结果表明其显著优于文献中发现的非预测性估计和基于卷积的图像预测。对关键组件以及传感器范围和占据网格的度量面积进行了消融研究。最后，通过在真实办公室环境中即时重建的新平面图中预测墙壁，验证了模型的泛化能力。