RoadRunner——面向自主越野驾驶的可通行性估计学习

在越野环境中高速自主导航要求机器人仅利用车载传感全面理解周围环境。越野环境带来的极端条件可能导致相机图像质量下降（由于光照不足和运动模糊），以及在高速行驶时从激光雷达传感获得的稀疏几何信息有限。在这项工作中，我们提出了RoadRunner，一个新颖的框架，能够直接从相机和激光雷达传感器输入预测地形可通行性和高程图。RoadRunner通过融合传感信息、处理不确定性以及生成关于地形几何和可通行性的上下文感知预测，同时保持低延迟，实现了可靠的自主导航。与依赖分类手工制作的语义类别并使用启发式方法预测可通行性成本的现有方法相比，我们的方法以自监督方式端到端训练。RoadRunner网络架构建立在自主驾驶领域流行的传感器融合网络架构之上，该架构将激光雷达和相机信息嵌入到共同的鸟瞰视角中。通过利用现有的可通行性估计栈，以可扩展的方式从真实世界的越野驾驶数据集中事后生成训练数据，从而实现了训练。此外，RoadRunner将系统延迟从500毫秒降低到约140毫秒，提高了约4倍，同时提高了可通行性成本和高程图预测的准确性。我们通过多个真实世界驾驶场景中的非结构化沙漠环境，展示了RoadRunner在实现高速安全可靠越野导航方面的有效性。