RoadRunner M&M -- 用于自动离-road导航的学习多范围多分辨率可达性图
机器人学
2024-09-18 v1 计算机视觉与模式识别
摘要
自动化机器人在离-road环境中的导航需要全面理解地形几何和可达性。降低的感知条件以及较大范围稀疏几何信息会特别限制在高速度下行驶的可能性。此外，感知到建模的延迟以及视线地图的范围可以限制车辆的最大速度。基于最近的工作RoadRunner，本文解决了长距离(100米)可达性估计的挑战。我们的RoadRunner (M&M) 是一个 end-to-end 学习方法，能够直接预测多个范围(50米、100米)和分辨率(0.2米、0.8米)上的可达性和高程图，输入为多个图像和LiDAR体素图。该方法通过在 hindsight 中利用来自现有可达性估计堆栈(X-Racer)的稠密监督信号和卫星数字高程图(DEM)进行自监督训练。RoadRunner M&M 在高程映射上实现了最高50%的提升，在可达性估计上实现了30%的提升，同时预测的区域比X-Racer多出30%，且实现实时性能。在各种离分布数据集上进行实验也表明，我们的数据驱动方法能够开始对新颖的非结构化环境进行泛化。我们将所提方法集成到闭环中与路径规划器一起，演示了在具有挑战性的真实环境中实现自动化高速离-road机器人导航。项目页面: https://leggedrobotics.github.io/roadrunner_mm/
引用
@article{arxiv.2409.10940,
title = {RoadRunner M&M -- Learning Multi-range Multi-resolution Traversability Maps for Autonomous Off-road Navigation},
author = {Manthan Patel and Jonas Frey and Deegan Atha and Patrick Spieler and Marco Hutter and Shehryar Khattak},
journal= {arXiv preprint arXiv:2409.10940},
year = {2024}
}
备注
Under review for IEEE RA-L