B-TMS: Bayesian Traversable Terrain Modeling and Segmentation Across 3D LiDAR Scans and Maps for Enhanced Off-Road Navigation

要約

3D 点群データから走行可能な地形を認識することは、オフロード環境での自律ナビゲーションのパフォーマンスに直接影響を与えるため、非常に重要です。
しかし、既存のセグメンテーション アルゴリズムは、データ分布、環境の特異性、センサーの変動の変化に関連する課題に苦戦することがよくあります。
さらに、凹んだ領域に遭遇すると、パフォーマンスが低下することが多く、認識できないこともあります。
これらの課題に対処するために、トリグリッド フィールド (TGF) として知られるグラフ構造内でベイジアン一般化カーネル (BGK) を利用することにより、マップごとの地形モデリングとセグメンテーションを実行する新しいアプローチである B-TMS を導入します。
私たちの実験では、単一スキャンから部分地図に至るまで、都市風景やオフロード環境を表す公開データセットと、非常にでこぼこした地形から取得した独自のデータセットの両方を利用して、さまざまなデータ分布を網羅しています。
私たちの結果は、特にデータ分布の変動に対する堅牢性、多様な環境条件への適応性、パラメータ変更に伴う課題に対する回復力の点で、顕著な貢献を示しています。

要約(オリジナル)

Recognizing traversable terrain from 3D point cloud data is critical, as it directly impacts the performance of autonomous navigation in off-road environments. However, existing segmentation algorithms often struggle with challenges related to changes in data distribution, environmental specificity, and sensor variations. Moreover, when encountering sunken areas, their performance is frequently compromised, and they may even fail to recognize them. To address these challenges, we introduce B-TMS, a novel approach that performs map-wise terrain modeling and segmentation by utilizing Bayesian generalized kernel (BGK) within the graph structure known as the tri-grid field (TGF). Our experiments encompass various data distributions, ranging from single scans to partial maps, utilizing both public datasets representing urban scenes and off-road environments, and our own dataset acquired from extremely bumpy terrains. Our results demonstrate notable contributions, particularly in terms of robustness to data distribution variations, adaptability to diverse environmental conditions, and resilience against the challenges associated with parameter changes.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google