CATNIPS: Collision Avoidance Through Neural Implicit Probabilistic Scenes

要約

Neural Radiance Field (NeRF)を等価なPoisson Point Process (PPP)に変換する方法を紹介する。このPPP変換により、NeRFの不確実性を厳密に定量化することが可能となり、特にNeRF環境を航行するロボットの衝突確率を計算することができる。PPPは、連続体積に対する確率的占有グリッドの一般化であり、放射輝度フィールドの基礎となる体積レイトレーシング・モデルの基本である。このPPP表現を基に、NeRFにおける安全なロボットナビゲーションのための偶然制約付き軌道最適化法を提案する。本手法は、確率制約とNeRFモデルを空間的に融合させた、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、高速な軌道最適化を容易にする。そして、グラフベースの探索とスプラインベースの軌道最適化を組み合わせ、ユーザ固有の衝突確率を満たすことが保証されたNeRFを通るロボット軌道を得る。我々は、シミュレーションとハードウェア実験により、NeRF環境における軌道計画に関する先行研究と比較して優れた性能を示す、チャンス制約付き計画手法を検証する。コードベースはhttps://github.com/chengine/catnips、ビデオはプロジェクトページ(https://chengine.github.io/catnips)にあります。

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. Our codebase can be found at https://github.com/chengine/catnips, and videos can be found on our project page (https://chengine.github.io/catnips).

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL