通过还是不通过？一种用于机器人导航的近无监督学习方法

机器人在动态环境中导航时，能够决定其是否可以通过某个空间是非常重要的。这种能力可以帮助它们避免受伤或严重损坏，例如因撞到人和障碍物、卡住或跌落边缘而造成的损害。为此，我们提出了一种基于生成对抗网络（GAN）的无监督和近无监督方法，以基于视觉数据将场景分类为可通行或不可通行。我们的方法受到数据驱动方法在计算机视觉问题和异常检测方面近期成功的启发，减少了在训练时对大量负样本的需求。收集指示机器人不应通过某个空间的负样本数据通常既困难又危险，因为会发生碰撞；而收集正样本数据则可以基于机器人自身的行驶经验进行自动化且安全地收集。我们在使用移动机器人于先前未见过的环境中收集的测试数据集上验证了所提方法的通用性和有效性。此外，我们表明我们的方法可用于仅使用视觉数据构建代价图（我们称之为“GoNoGo”代价图），以用于机器人路径规划。