环形可达深度：一种用于无人地面车辆导航的鲁棒可通行性表征
机器人学
2022-12-29 v1 计算机视觉与模式识别
摘要
在本文中，我们提出环形可达深度（CAD），一种用于无人地面车辆（UGV）在各种包含不规则障碍物的场景中学习可通行性的鲁棒表征。为预测 CAD，我们提出了一个名为 CADNet 的神经网络，其带有基于注意力的多帧点云融合模块——稳定性注意力模块（SAM），以编码由 LiDAR 捕获的点云空间特征。CAD 基于极坐标系设计，侧重于预测可通行区域的边界。由于它编码了周围环境空间信息，使得 CADNet 可进行半监督学习，从而理想地避免标注大量数据。大量实验表明，CAD 在鲁棒性与精度上均优于基线方法。我们还将该方法部署于真实 UGV 上，并显示其在真实场景中表现良好。
引用
@article{arxiv.2212.13676,
title = {Circular Accessible Depth: A Robust Traversability Representation for UGV Navigation},
author = {Shikuan Xie and Ran Song and Yuenan Zhao and Xueqin Huang and Yibin Li and Wei Zhang},
journal= {arXiv preprint arXiv:2212.13676},
year = {2022}
}
备注
13 pages, 8 figures