从稠密点云学习平滑状态依赖的可遍历性
机器人学
2025-09-30 v2 计算机视觉与模式识别
摘要
离-road 自主性的一个开放性挑战是，地形的可遍历性往往取决于车辆的状态。特别是，某些障碍物仅从某些姿态可遍历。然而，通过将接近角度编码为模型输入来学习这种相互作用需要大量且多样化的训练数据集，并且在规划期间由于重复模型推理而计算效率低下。为解决这些挑战，我们提出了 SPARTA 方法，用于从点云估计受接近角度条件制约的可遍历性。具体而言，我们通过在网络中引入几何结构，输出对 1-球面上任意接近角度的风险分布的平滑解析函数，最小的开销即可用于后续查询，并且可以被重用。该函数由傅里叶基函数组成，这在泛化方面具有重要优势，due to其周期性和平滑性。我们在高保真仿真平台上演示了 SPARTA，其中我们的模型在跨越 40m 卵石场时实现了 91% 的成功率（与基线 73% 相比），并在硬件上展示了模型对真实世界环境的泛化能力。我们的代码将在 https://github.com/neu-autonomy/SPARTA 上提供。
引用
@article{arxiv.2506.04362,
title = {Learning Smooth State-Dependent Traversability from Dense Point Clouds},
author = {Zihao Dong and Alan Papalia and Leonard Jung and Alenna Spiro and Philip R. Osteen and Christa S. Robison and Michael Everett},
journal= {arXiv preprint arXiv:2506.04362},
year = {2025}
}
备注
18 pages, 13 figures