MonoNav: MAV Navigation via Monocular Depth Estimation and Reconstruction

要約

最小の超小型航空機 (MAV) プラットフォーム (100 g 未満) を導入する際の大きな課題は、高解像度のメトリック深度情報を提供するセンサー (LiDAR やステレオ カメラなど) を搭載できないことです。
現在のシステムは、画像を制御入力に直接マッピングするエンドツーエンドの学習またはヒューリスティックなアプローチに依存しており、未知の環境で高速に飛行するのに苦労しています。
この研究では、次のような質問をします。単眼カメラ、光学オドメトリ、およびオフボード計算のみを使用して、より大型の最先端ロボット システムで採用されている強力な経路計画およびナビゲーション アプローチを活用するための計量的に正確な地図を作成できるでしょうか。
未知の環境で堅牢な自律性を実現するには?
MonoNav を紹介します。これは、深度予測ニューラル ネットワークの最近の進歩を活用して、単眼画像とポーズのストリームから計量的に正確な 3D シーンの再構成を可能にする、MAV 用の高速 3D 再構成およびナビゲーション スタックです。
MonoNav は、既製の事前トレーニング済みの単眼奥行き推定および融合技術を使用してマップを構築し、モーション プリミティブを検索して、ゴールまでの衝突のない軌道を計画します。
広範なハードウェア実験では、MonoNav によって Crazyflie (37 g MAV) が乱雑な屋内環境でどのように高速 (0.5 m/s) で移動できるかを実証します。
最先端のエンドツーエンドのアプローチに対して MonoNav を評価したところ、ナビゲーションにおける衝突率が大幅に (4 分の 1) 減少していることがわかりました。
この安全性の向上には、目標達成率が 22% 減少するという保守主義の代償が伴います。

要約(オリジナル)

A major challenge in deploying the smallest of Micro Aerial Vehicle (MAV) platforms (< 100 g) is their inability to carry sensors that provide high-resolution metric depth information (e.g., LiDAR or stereo cameras). Current systems rely on end-to-end learning or heuristic approaches that directly map images to control inputs, and struggle to fly fast in unknown environments. In this work, we ask the following question: using only a monocular camera, optical odometry, and offboard computation, can we create metrically accurate maps to leverage the powerful path planning and navigation approaches employed by larger state-of-the-art robotic systems to achieve robust autonomy in unknown environments? We present MonoNav: a fast 3D reconstruction and navigation stack for MAVs that leverages recent advances in depth prediction neural networks to enable metrically accurate 3D scene reconstruction from a stream of monocular images and poses. MonoNav uses off-the-shelf pre-trained monocular depth estimation and fusion techniques to construct a map, then searches over motion primitives to plan a collision-free trajectory to the goal. In extensive hardware experiments, we demonstrate how MonoNav enables the Crazyflie (a 37 g MAV) to navigate fast (0.5 m/s) in cluttered indoor environments. We evaluate MonoNav against a state-of-the-art end-to-end approach, and find that the collision rate in navigation is significantly reduced (by a factor of 4). This increased safety comes at the cost of conservatism in terms of a 22% reduction in goal completion.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google