学习多目标崎岖地形可通行性

我们提出一种利用崎岖地形的高分辨率地形数据与地面车辆仿真来预测可通行性的方法。可通行性表示为三个独立的度量：以目标速度穿越地形的能力、能量消耗和加速度。这些度量是连续的，并反映了超越二分类的规划的不同目标。训练一个深度神经网络，从局部高度图和目标速度预测可通行性度量。为生成训练数据，我们使用带有轮式转向架悬挂的铰接车辆和程序化生成的地形。我们在激光扫描的森林地形上评估该模型，该地形模型此前未见过。模型以 90% 的准确率预测可通行性。预测依赖于高维地形数据的特征，这些特征超越了相对于行进方向的局部粗糙度和坡度。相关性显示三个可通行性度量彼此互补。推理速度比真实值仿真快 3000 倍且可平凡并行化，该模型非常适用于大范围区域的可通行性分析与最优路径规划。