IRisPath：融合鲁棒的红外与 RGB 图像以提升离岔导航的成本图
机器人学
2025-03-04 v2 计算机视觉与模式识别
摘要
需要实现农业、建筑、搜救和防御等应用场景中的离岔导航。传统的道路自动化方法在动态地形上表现不佳，导致在离岔条件下车辆控制不佳。最近的深度学习模型使用感知传感器和运动反馈进行此类地形的导航，但该方法存在域外不确定性。时间段和天气因素会影响模型性能。我们提出一种多模态融合网络"IRisPath"，能够利用热成像和 RGB 图像在动态天气和光照条件下提供鲁棒性。为助力该领域的后续工作，我们也开源了一个包含热成像和 RGB 图像以及可遍历性伪标签的昼夜数据集。为实现融合模型的共配准，我们还开发了一种 novel 方法，用于热成像、LiDAR 和 RGB 相机的无目标外推标定，Translation 精度为 ±1.7cm，Rotation 精度为 ±0.827度。
引用
@article{arxiv.2412.03173,
title = {IRisPath: Enhancing Costmap for Off-Road Navigation with Robust IR-RGB Fusion for Improved Day and Night Traversability},
author = {Saksham Sharma and Akshit Raizada and Suresh Sundaram},
journal= {arXiv preprint arXiv:2412.03173},
year = {2025}
}