UNRealNet：从真实环境的高保真扫描中学习不确定性感知的导航特征
机器人学
2024-07-12 v1
摘要
在粗糙、非结构化环境中的可遍历性估计仍是野外机器人中的一个具有挑战性的问题。经常，精确、准确的可遍历性估计与 affordable、小型移动机器人上有限的感知与计算能力形成直接对立。为此，我们提出了一种新方法，用于从真实环境的高保真扫描中学习不确定性感知(navigation features)。该网络可部署在机器人上，预测这些高保真特征时可使用来自较低质量传感器的输入。UNRealNet 从单帧激光扫描直接预测密集的度量空间特征，从而减少遮挡和里程计误差的影响。我们的做法无标签，能够产生机器人无关性的可遍历性估计。此外，我们可利用UNRealNet的预测不确定性来既产生风险感知的可遍历性估计，又可随时间推移细化特征预测。我们发现，该方法在传统局部映射和插值基线方法上优势最高可达40%，并在多个四足机器人平台上证明了其有效性。
引用
@article{arxiv.2407.08720,
title = {UNRealNet: Learning Uncertainty-Aware Navigation Features from High-Fidelity Scans of Real Environments},
author = {Samuel Triest and David D. Fan and Sebastian Scherer and Ali-Akbar Agha-Mohammadi},
journal= {arXiv preprint arXiv:2407.08720},
year = {2024}
}