基于生成式占据图合成的鲁棒机器人探索与映射

我们提出了一种新方法，通过生成式占据映射（generative occupancy mapping）来增强机器人探索。我们实现了SceneSense，这是一个用于预测给定部分观察结果下3D占据图的扩散模型（diffusion model）。我们提出的方法将这些预测概率性地融合到实时的占据图中，显著改善了地图质量和可遍历性。我们将SceneSense部署在四足机器人上，并通过实际实验验证了其性能，展示了该模型的有效性。在这些实验中，我们表明，利用SceneSense预测增强的占据图比直接传感器测量得到的地图在机器人周围（约24.44% FID改进）以及在范围内（约75.59%改进）更能准确估计我们完全观测的地面真实数据的分布。我们 additionally 表明，将SceneSense增强的地图集成到机器人探索堆栈中作为一种“即插即用”的地图改进，利用现成的规划器，可提高鲁棒性和可遍历性时间。最后，我们在两个截然不同的环境中展示了完整探索评估结果，发现局部增强地图比仅由直接传感器测量构建的地图在探索结果上更一致。