ViPlanner：面向局部导航的视觉语义命令式学习
机器人学
2024-05-24 v3
摘要
由于地形可通行性差异、障碍物多样以及快速决策的必要性，户外环境中的实时路径规划仍对现代机器人系统构成挑战。已有方法主要聚焦于几何导航方案，这类方案对结构化几何障碍物效果良好，但在不同地形类型及其可供性的语义解释方面存在局限。此外，这些方法无法识别可通行的几何情形，例如楼梯。为克服这些问题，我们提出 ViPlanner，一种基于几何与语义信息生成局部规划的习得式局部路径规划方法。该系统采用命令式学习（Imperative Learning）范式训练，网络权重根据规划任务目标端到端优化。该优化使用语义代价图的可微分表述，使规划器能区分不同地形的可通行性并准确识别障碍物。语义信息以 RGB 色彩空间表示为 30 个类别，可有效编码多级可通行性。我们展示了该规划器无需任何真实世界训练即可适应多样的真实环境。事实上，规划器纯粹在仿真中训练，实现了高度可扩展的训练数据生成。实验结果表明其对噪声具有鲁棒性、具备零样本仿真到真实迁移能力，且相较于纯几何方法可通行性代价降低 38.02%。代码与模型已公开：https://github.com/leggedrobotics/viplanner。
引用
@article{arxiv.2310.00982,
title = {ViPlanner: Visual Semantic Imperative Learning for Local Navigation},
author = {Pascal Roth and Julian Nubert and Fan Yang and Mayank Mittal and Marco Hutter},
journal= {arXiv preprint arXiv:2310.00982},
year = {2024}
}