无人机协助的自监督越野路径感知

路径感知是实现真正自主越野导航的关键里程碑。准确预测路径特征有助于优化车辆路径以规避潜在危险。最近的方法使用深度神经网络以自监督方式预测可遍历性相关的路径属性，依赖机器自身感知作为训练信号。然而， onboard 摄像机本身受限于相对于地面的视角，存在遮挡和像素密度随距离减小时的问题。本文引入了一种新方法，通过悬停无人机的空中视角进行自监督路径特征描述。我们在采样环境时捕获与路径对齐的图像，有效训练一个用于预测振动、颠簸和能耗的简单预测器。我们的数据集包括在森林环境中收集的 2.8 公里的越野数据，包含 13,484 张基于地面的图像和 12,935 张空中图像。我们的发现表明，与地面机器人图像相比，无人机图像在整个数据集上提高了 21.37%，在高植被区提高了 37.35%。我们进行消融研究以确定这些性能提升的主要原因。我们还通过在未见的区域用无人机勘测，规划并执行优化路径来演示该方法的实际应用。