穿透草丛的视野：用于支撑面学习的语义点云滤波器
机器人学
2023-05-16 v1
摘要
移动地面机器人需要感知并理解其周围的支撑面，以实现自主且安全的移动。支撑面通常基于外部深度测量（例如来自激光雷达）进行估计。然而，在高草或其他可穿透植被存在的情况下，测得的深度无法与真实支撑面对齐。在本工作中，我们提出语义点云滤波器（SPF），这是一种卷积神经网络（CNN），可学习调整激光雷达测量值以与底层支撑面对齐。SPF以半自监督方式训练，输入为激光雷达点云和RGB图像。该网络预测一个二值分割掩码以识别需要调整的具体点，并估计其对应的深度值。为训练分割任务，我们将300张不同的图像手动标注为刚性与非刚性地形。深度估计任务以自监督方式训练，利用机器人未来的落脚点基于高斯过程估计支撑面。我们的方法能够在与地形交互之前正确调整支撑面，并在四足机器人ANYmal上进行了广泛测试。我们展示了相较于使用原始传感器测量和现有平滑方法，SPF在自然环境中用于高程建图和可通行性估计的定性优势。在各种自然环境中进行了定量分析，在草地地形中实现了48%的RMSE提升。
引用
@article{arxiv.2305.07995,
title = {Seeing Through the Grass: Semantic Pointcloud Filter for Support Surface Learning},
author = {Anqiao Li and Chenyu Yang and Jonas Frey and Joonho Lee and Cesar Cadena and Marco Hutter},
journal= {arXiv preprint arXiv:2305.07995},
year = {2023}
}
备注
8 pages, 9 figures