Circular Accessible Depth: A Robust Traversability Representation for UGV Navigation

要約

このホワイトペーパーでは、不規則な障害物を含むさまざまなシナリオでの通過可能性を学習するために、無人地上車両 (UGV) の堅牢な通過可能性表現である Circular Accessible Depth (CAD) を提示します。
CAD を予測するために、注意ベースのマルチフレーム ポイント クラウド フュージョン モジュールである Stability-Attention Module (SAM) を備えたニューラル ネットワーク、すなわち CADNet を提案し、LiDAR によってキャプチャされたポイント クラウドから空間的特徴をエンコードします。
CAD は極座標系に基づいて設計されており、通過可能な領域の境界を予測することに重点を置いています。
周囲環境の空間情報をエンコードするため、CADNet の半教師付き学習が可能になり、大量のデータに注釈を付けることを望ましく回避できます。
広範な実験により、堅牢性と精度の点で CAD がベースラインよりも優れていることが実証されています。
また、実際の UGV にメソッドを実装し、現実世界のシナリオでうまく機能することを示します。

要約(オリジナル)

In this paper, we present the Circular Accessible Depth (CAD), a robust traversability representation for an unmanned ground vehicle (UGV) to learn traversability in various scenarios containing irregular obstacles. To predict CAD, we propose a neural network, namely CADNet, with an attention-based multi-frame point cloud fusion module, Stability-Attention Module (SAM), to encode the spatial features from point clouds captured by LiDAR. CAD is designed based on the polar coordinate system and focuses on predicting the border of traversable area. Since it encodes the spatial information of the surrounding environment, which enables a semi-supervised learning for the CADNet, and thus desirably avoids annotating a large amount of data. Extensive experiments demonstrate that CAD outperforms baselines in terms of robustness and precision. We also implement our method on a real UGV and show that it performs well in real-world scenarios.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google