CAMEL：面向越野驾驶的学习代价地图简易构建方法
机器人学
2022-10-19 v2 计算机视觉与模式识别
摘要
代价地图被机器人车辆用于规划无碰撞路径。地图中每个单元关联的代价表示感知的环境信息，常经多次试错后手动确定。在越野环境中，由于存在多种特征，手工设定各特征关联的代价值具有挑战性。此外，不同的手工代价值会对同一环境导致不同路径，这是不可取的。本文中，我们解决从感知环境学习代价地图值以实现鲁棒车辆路径规划的问题。我们提出称为 CAMEL 的新框架，使用深度学习方法通过示范学习参数，从而产生用于路径规划的适应性与鲁棒代价地图。CAMEL 已在 RELLIS-3D 等多模态数据集上训练。CAMEL 的评估在越野场景模拟器（MAVS）与来自 IISER-B 校区的实地数据上进行。我们还在地面 rover 上实现了 CAMEL 的实境部署。结果显示车辆在非结构化地形中灵活且鲁棒地运动且无碰撞。
引用
@article{arxiv.2209.12413,
title = {CAMEL: Learning Cost-maps Made Easy for Off-road Driving},
author = {Kasi Vishwanath and P. B. Sujit and Srikanth Saripalli},
journal= {arXiv preprint arXiv:2209.12413},
year = {2022}
}