CATNIPS：基于神经隐式概率场景的碰撞避免
机器人学
2024-07-04 v3
摘要
我们将神经辐射场（NeRF）转换为等价的泊松点过程（PPP）。该 PPP 转换可对 NeRF 中的不确定性进行严格量化，特别是计算机器人在 NeRF 环境中导航的碰撞概率。PPP 是概率占据栅格在连续体上的推广，并且是支撑辐射场的体积光线追踪模型的基础。基于该 PPP 表示，我们提出一种机会约束轨迹优化方法，用于 NeRF 中机器人安全导航。我们的方法依赖于一种称为概率不安全机器人区域（PURR）的体素表示，其将机会约束与 NeRF 模型在空间上融合以加速轨迹优化。随后我们将基于图的搜索与基于样条的轨迹优化相结合，生成通过 NeRF 的机器人轨迹，保证满足用户指定的碰撞概率。我们通过仿真与硬件实验验证机会约束规划方法，展现出优于现有 NeRF 环境轨迹规划工作的性能。我们的代码见 https://github.com/chengine/catnips，视频见项目页（https://chengine.github.io/catnips）。
引用
@article{arxiv.2302.12931,
title = {CATNIPS: Collision Avoidance Through Neural Implicit Probabilistic Scenes},
author = {Timothy Chen and Preston Culbertson and Mac Schwager},
journal= {arXiv preprint arXiv:2302.12931},
year = {2024}
}
备注
Published in IEEE Transactions on Robotics