基于概率深度补全的体素占据映射用于机器人导航

在机器人应用中，安全高效运动规划的一个关键要求，是能够在未知、杂乱的3D环境中映射无障碍空间。然而，常用于感知的普通级RGB-D相机无法在光亮、反光、明亮或遥远表面上注册有效深度值，导致地图中出现数据缺失。为解决此问题，我们提出一种框架，利用概率深度补全作为空间映射的附加输入。我们引入一种深度学习架构，为RGB-D图像的深度补全提供不确定性估计。我们的流程利用推断的缺失深度值与深度不确定性来补充原始深度图像，并提升自由空间映射的速度与质量。在合成数据上的评估表明，相较于在不同室内环境中单独使用原始数据，我们的方法以相对较低误差映射了显著更多的正确自由空间；从而生成更完整的地图，可直接用于机器人导航任务。我们框架的性能使用真实世界数据进行了验证。