用于占据栅格地图的在线域适应

创建考虑不确定性的精确空间表示对于自主机器人在非结构化环境中安全导航至关重要。尽管近期基于 LIDAR 的建图技术能够生成鲁棒的占据地图，但学习此类模型的参数需要可观的计算时间，阻碍了它们在自动驾驶等实时大规模应用中的使用。认识到现实世界结构在各种城市环境中展现出相似的几何特征，本文中我们主张从零开始学习所有几何相关参数是冗余的。相反，我们提出了一个基于最优传输理论的理论框架，以调整模型参数来应对环境变化，从而显著摊还训练成本。此外，通过使用高保真驾驶模拟器和真实世界数据集，我们展示了 2D 和 3D 占据地图的参数如何自动适应局部空间变化。我们通过一系列实验验证了多种域适应范式，从域间特征迁移到仿真到真实世界的特征迁移。实验验证了以可忽略的计算和内存成本估计参数的可能性，从而实现城市环境中的大规模概率建图。