CATNIPS: Collision Avoidance Through Neural Implicit Probabilistic Scenes

要約

Neural Radiance Field (NeRF) から同等の Poisson Point Process (PPP) への変換を導入します。
この PPP 変換により、NeRF の不確実性の厳密な定量化、特に NeRF 環境内を移動するロボットの衝突確率の計算が可能になります。
PPP は確率的占有グリッドを連続ボリュームに一般化したもので、放射輝度フィールドの基礎となるボリューム レイ トレーシング モデルの基礎となります。
この PPP 表現に基づいて、NeRF でのロボットの安全なナビゲーションのための確率制約付き軌道最適化手法を提案します。
私たちの方法は、確率的安全でないロボット領域 (PURR) と呼ばれるボクセル表現に依存しています。PURR は、確率制約を NeRF モデルと空間的に融合して、高速な軌道の最適化を促進します。
次に、グラフベースの検索とスプラインベースの軌道最適化を組み合わせて、ユーザー固有の衝突確率を満たすことが保証された NeRF を通じてロボット軌道を生成します。
シミュレーションとハードウェア実験を通じて確率制約型計画法を検証し、NeRF 環境での軌道計画に関する以前の研究と比較して優れたパフォーマンスを示しました。

要約(オリジナル)

We introduce a transformation of a Neural Radiance Field (NeRF) to an equivalent Poisson Point Process (PPP). This PPP transformation allows for rigorous quantification of uncertainty in NeRFs, in particular, for computing collision probabilities for a robot navigating through a NeRF environment. The PPP is a generalization of a probabilistic occupancy grid to the continuous volume and is fundamental to the volumetric ray-tracing model underlying radiance fields. Building upon this PPP representation, we present a chance-constrained trajectory optimization method for safe robot navigation in NeRFs. Our method relies on a voxel representation called the Probabilistic Unsafe Robot Region (PURR) that spatially fuses the chance constraint with the NeRF model to facilitate fast trajectory optimization. We then combine a graph-based search with a spline-based trajectory optimization to yield robot trajectories through the NeRF that are guaranteed to satisfy a user-specific collision probability. We validate our chance constrained planning method through simulations and hardware experiments, showing superior performance compared to prior works on trajectory planning in NeRF environments.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google