面向野外小径机器人的虚拟到真实世界迁移学习

机器人在许多户外应用场景中大有可为，例如搜索救援、野生动物管理以及收集数据以改善环境、气候和天气预报。然而，户外小径的自主导航仍是一个具有挑战性的问题。近期工作试图利用深度学习来解决该问题。尽管该方法已取得最先进（SOTA）的结果，但由于依赖大量标注训练数据，深度学习范式可能受到限制。在许多情况下，收集和整理训练数据集可能不可行或不切实际，尤其是小径状况会因季节性天气变化、风暴和自然侵蚀而改变。在本文中，我们探索了一种通过虚拟到真实世界迁移学习来解决该问题的方法，使用多种训练用于分类图像中小径方向的深度学习模型。我们的方法利用从虚拟环境中收集的合成数据进行模型训练，从而避免了收集大量户外真实图像的需要。我们通过三种主要方式验证我们的方法。首先，我们证明我们的模型在合成数据集上达到了95%以上的分类准确率。接着，我们将分类模型用于模拟机器人的控制系统以证明可行性。最后，我们在真实世界小径数据上评估我们的模型，并展示了虚拟到真实世界迁移学习的潜力。