面向结构化地形移动的神经营景表示
机器人学
2022-06-17 v1 人工智能
计算机视觉与模式识别
机器学习
摘要
我们提出一种基于学习的方法，用于重建移动机器人在城市环境中行进时的局部地形。利用机载相机的深度测量流与机器人轨迹，该算法估计机器人周边地形。这些相机的原始测量含有噪声，且仅提供部分与被遮挡的观测，在许多情况下无法显示机器人所站立的地形。因此，我们提出了一种 3D 重建模型，尽管存在噪声测量和由相机布置盲区带来的大量缺失数据，仍能忠实重建场景。该模型由点云上的 4D 全卷积网络组成，从上下文学习几何先验以补全场景，并采用自回归反馈以利用时空一致性及过往证据。网络可仅用合成数据训练，且由于大量增强，在真实世界中具有鲁棒性，如在四足机器人 ANYmal 穿越挑战性环境的验证所示。我们使用高效的稀疏张量实现在机器人机载低功耗计算机上运行该流水线，并表明所提方法优于经典地图表示。
引用
@article{arxiv.2206.08077,
title = {Neural Scene Representation for Locomotion on Structured Terrain},
author = {David Hoeller and Nikita Rudin and Christopher Choy and Animashree Anandkumar and Marco Hutter},
journal= {arXiv preprint arXiv:2206.08077},
year = {2022}
}