Wild Visual Navigation: Fast Traversability Learning via Pre-Trained Models and Online Self-Supervision

要約

森林や草原などの自然環境は、高い草、小枝、低木などの硬い障害物を誤って認識するため、ロボットによるナビゲーションには困難を伴います。
この研究では、視覚的な通過可能性を推定するためのオンライン自己教師あり学習システムである Wild Visual Navigation (WVN) を紹介します。
このシステムは、オンボードのセンシングとコンピューティングのみを使用して、現場での人による短いデモンストレーションから継続的に適応できます。
これを達成するための重要なアイデアの 1 つは、学習タスクを大幅に簡素化する意味情報を暗黙的にエンコードする、事前トレーニングされた自己教師ありモデルの高次元特徴を使用することです。
さらに、監視ジェネレーター用のオンライン スキームの開発により、学習されたモデルの実際のトレーニングと推論を同時に行うことができます。
私たちは、森林、公園、草原におけるさまざまな現実世界の展開を通じて、私たちのアプローチを実証します。
私たちのシステムは、5 分未満の現場トレーニング時間で移動可能な地形のセグメンテーションをブートストラップすることができ、ロボットがこれまで見たことのない複雑な屋外の地形をナビゲートできるようになります。
コード: https://bit.ly/498b0CV – プロジェクトページ:https://bit.ly/3M6nMHH

要約(オリジナル)

Natural environments such as forests and grasslands are challenging for robotic navigation because of the false perception of rigid obstacles from high grass, twigs, or bushes. In this work, we present Wild Visual Navigation (WVN), an online self-supervised learning system for visual traversability estimation. The system is able to continuously adapt from a short human demonstration in the field, only using onboard sensing and computing. One of the key ideas to achieve this is the use of high-dimensional features from pre-trained self-supervised models, which implicitly encode semantic information that massively simplifies the learning task. Further, the development of an online scheme for supervision generator enables concurrent training and inference of the learned model in the wild. We demonstrate our approach through diverse real-world deployments in forests, parks, and grasslands. Our system is able to bootstrap the traversable terrain segmentation in less than 5 min of in-field training time, enabling the robot to navigate in complex, previously unseen outdoor terrains. Code: https://bit.ly/498b0CV – Project page:https://bit.ly/3M6nMHH

arxiv情報

提供元, 利用サービス

arxiv.jp, Google