TerraPN：基于在线自监督学习的非结构化地形导航

我们提出 TerraPN，一种新颖的方法，它通过自监督学习直接从机器人与地形的交互中学习复杂户外地形的表面属性（牵引力、颠簸度、可变形性等），并将其用于机器人自主导航。我们的方法使用地形表面的 RGB 图像和机器人速度作为输入，并将机器人经历的 IMU 振动和里程计误差作为自监督的标签。我们的方法计算表面代价图，区分平滑、高牵引力表面（低导航代价）与颠簸、湿滑、可变形表面（高导航代价）。我们通过从输入 RGB 图像中非均匀采样图像块来计算代价图，方法是检测表面之间的边界，与均匀采样和现有分割方法相比，推理时间降低了 47.27%。我们提出了一种新颖的导航算法，该算法考虑表面代价，计算基于代价的机器人加速度限制，以及动态可行、无碰撞的轨迹。TerraPN 的表面代价预测可在约 25 分钟内对五种不同表面完成训练，而先前基于学习的分割方法需要数小时。在导航方面，我们的方法在不同场景下的成功率（最高提升 35.84%）、轨迹振动代价（最高降低 21.52%）以及在颠簸、可变形表面上降低机器人速度（最高减慢 46.76%）方面均优于先前工作。