利用自监督学习重建地形图中被遮挡的高程信息
机器人学
2022-01-20 v2 人工智能
摘要
准确且完整的地形图可增强自主机器人的环境感知能力，并实现安全且最优的路径规划。岩石与地形起伏常造成遮挡，导致数字高程图（DEM）中缺失高程信息。目前，这些遮挡区域要么在运动规划中被完全规避，要么通过传统的插值、扩散或块匹配技术填补高程图中的缺失值。这些方法无法利用高层地形特征以及视线几何约束——而人类会直观地运用后者来预测遮挡区域。我们提出了一种自监督学习方法，能够在无需真实标注信息的情况下于真实世界数据上训练，以重建 DEM 中的遮挡区域。具体做法是：通过对真实机器人上构建的不完整高程图执行光线投射（ray casting）来添加人工遮挡。我们首先在拥有完整真实标注的合成数据上评估一种监督学习方法，随后迁移至多个真实世界数据集。这些真实世界数据集由腿式机器人在结构化与非结构化地形探索过程中记录，另包含行星场景下月球类比地形的数据。我们表明，相较于基线方法，在合成地形与真实世界数据集上均取得显著改进。我们的神经网络可在 CPU 与 GPU 上以适用于自主地面机器人的合适采样率实时运行。我们通过初步的运动规划实验论证了高程图遮挡重建的适用性。
引用
@article{arxiv.2109.07150,
title = {Reconstructing occluded Elevation Information in Terrain Maps with Self-supervised Learning},
author = {Maximilian Stölzle and Takahiro Miki and Levin Gerdes and Martin Azkarate and Marco Hutter},
journal= {arXiv preprint arXiv:2109.07150},
year = {2022}
}
备注
8 pages, 4 figures, accepted with IEEE Robotics and Automation Letters (RA-L)