面向异构地形下改进局部规划的轨迹约束深度潜在视觉注意力

我们提出了一种基于模型的奖励预测深度学习方法，该方法具有轨迹约束的视觉注意力，用于视觉导航任务中的局部规划。我们的方法学习将视觉注意力放置在潜在图像空间中由车辆控制动作引起的轨迹对应的位置，以提高规划过程中的预测准确性。该注意力模型由任务特定损失和额外的轨迹约束损失联合优化，在保持适应性的同时鼓励正则化结构，以改善泛化能力和可靠性。重要的是，视觉注意力应用于潜在特征图空间而非原始图像空间，以促进高效规划。我们在越野场景下规划低湍流、无碰撞轨迹以及在存在湿滑地形时利用差速锁进行爬坡的视觉导航任务中验证了我们的模型。实验涉及随机程序生成的仿真环境和真实世界环境。我们发现，与无注意力和自注意力替代方案相比，我们的方法提高了泛化能力和学习效率。