ForestTrav：用于自主地面车辆的精确、高效且可部署的森林可通行性估计

在非结构化植被环境中的自主导航仍是一项开放挑战。为在此类场景中成功作业，地面车辆必须评估环境的可通行性，并确定哪些植被柔软到足以被推过。本工作中，我们提出一种新方法，其结合了高保真且特征丰富的 3D 体素表示，同时利用 SCNN 的结构上下文与稀疏性来评估密集植被环境中的可通行性估计（TE）。所提方法在我们提供给社区的精确标注真实世界数据集上进行了充分评估。结果表明，在具有挑战性的场景中其显著优于最先进方法（在 0.1m 体素分辨率下 MCC 分数 0.59 对 0.39），并可泛化至未见环境。此外，该方法在所需训练数据与训练时间上较为经济：在台式机上数分钟即可训练出一个模型。我们表明，通过利用环境上下文，我们的方法可使用不同特征组合且仅有有限性能波动。例如，我们的方法可与仅激光雷达特征配合使用，同时仍准确评估复杂植被环境，这是先前文献中在此类环境中未曾展示的。另外，我们提出了一种评估可通行性估计器对信息质量敏感度的方法，并展示了我们的方法敏感度较低。