Beyond the Frontier: Predicting Unseen Walls from Occupancy Grids by Learning from Floor Plans

要約

この論文では、360{\deg} LIDAR センサーの軌道に沿って統合された占有グリッドを条件として、部分的に観察された環境の目に見えない壁を 2D 線分セットとして予測するという課題に取り組みます。
このような占有グリッドとそれに対応するターゲット壁セグメントのデータセットは、大学キャンパスのオフィス規模の平面図のコレクション内でランダムにサンプリングされた一連のウェイポイント間を仮想ロボットが移動することによって収集されます。
線分予測タスクは自己回帰シーケンス予測タスクとして定式化され、注意ベースのディープ ネットワークがデータセット上でトレーニングされます。
シーケンスベースの自己回帰定式化は、フロンティアベースの自律探索と同様に、予測情報利得を通じて評価され、文献で見られる非予測推定と畳み込みベースの画像予測の両方に比べて大幅な改善が実証されています。
主要コンポーネントのアブレーションだけでなく、センサー範囲や占有グリッドのメトリクス領域も評価されます。
最後に、現実世界のオフィス環境でその場で再構築された新しいフロアプランの壁を予測することで、モデルの一般性が検証されます。

要約(オリジナル)

In this paper, we tackle the challenge of predicting the unseen walls of a partially observed environment as a set of 2D line segments, conditioned on occupancy grids integrated along the trajectory of a 360{\deg} LIDAR sensor. A dataset of such occupancy grids and their corresponding target wall segments is collected by navigating a virtual robot between a set of randomly sampled waypoints in a collection of office-scale floor plans from a university campus. The line segment prediction task is formulated as an autoregressive sequence prediction task, and an attention-based deep network is trained on the dataset. The sequence-based autoregressive formulation is evaluated through predicted information gain, as in frontier-based autonomous exploration, demonstrating significant improvements over both non-predictive estimation and convolution-based image prediction found in the literature. Ablations on key components are evaluated, as well as sensor range and the occupancy grid’s metric area. Finally, model generality is validated by predicting walls in a novel floor plan reconstructed on-the-fly in a real-world office environment.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google