VIRUS-NeRF — Vision, InfraRed and UltraSonic based Neural Radiance Fields

要約

自律移動ロボットは、現代の工場や倉庫の業務にますます不可欠な部分となっています。
障害物の検出、回避、経路計画は重要な安全関連タスクであり、多くの場合、高価な LiDAR センサーと深度カメラを使用して解決されます。
私たちは、VIRUS-NeRF – Vision、InfraRed、および UltraSonic ベースの Neural Radiance Fields を開発することで、超音波や赤外線の飛行時間型センサーなど、コスト効率の高い低解像度測距センサーを使用することを提案します。
VIRUS-NeRF は、多重解像度ハッシュ エンコーディング (Instant-NGP) を備えたインスタント ニューラル グラフィックス プリミティブに基づいて構築されており、超音波センサーと赤外線センサーからの深度測定値を組み込み、それらを利用してレイ マーチングに使用される占有グリッドを更新します。
2D での実験評価では、VIRUS-NeRF がカバレッジに関して LiDAR 点群と同等のマッピング パフォーマンスを達成していることが実証されています。
特に、小規模な環境では、その精度は LiDAR 測定の精度と一致しますが、大規模な環境では、使用される超音波センサーによって制限されます。
綿密なアブレーション研究により、データがまばらで視野の変動が少ない場合には、超音波センサーと赤外線センサーを追加することが非常に効果的であることが明らかになりました。
さらに、VIRUS-NeRF の提案された占有グリッドはマッピング機能を向上させ、Instant-NGP と比較してトレーニング速度を 46% 向上させます。
全体として、VIRUS-NeRF は、モバイル ロボット工学における費用対効果の高いローカル マッピングの有望なアプローチを提示しており、安全性やナビゲーションのタスクに応用できる可能性があります。
コードは https://github.com/ethz-asl/virus nerf にあります。

要約(オリジナル)

Autonomous mobile robots are an increasingly integral part of modern factory and warehouse operations. Obstacle detection, avoidance and path planning are critical safety-relevant tasks, which are often solved using expensive LiDAR sensors and depth cameras. We propose to use cost-effective low-resolution ranging sensors, such as ultrasonic and infrared time-of-flight sensors by developing VIRUS-NeRF – Vision, InfraRed, and UltraSonic based Neural Radiance Fields. Building upon Instant Neural Graphics Primitives with a Multiresolution Hash Encoding (Instant-NGP), VIRUS-NeRF incorporates depth measurements from ultrasonic and infrared sensors and utilizes them to update the occupancy grid used for ray marching. Experimental evaluation in 2D demonstrates that VIRUS-NeRF achieves comparable mapping performance to LiDAR point clouds regarding coverage. Notably, in small environments, its accuracy aligns with that of LiDAR measurements, while in larger ones, it is bounded by the utilized ultrasonic sensors. An in-depth ablation study reveals that adding ultrasonic and infrared sensors is highly effective when dealing with sparse data and low view variation. Further, the proposed occupancy grid of VIRUS-NeRF improves the mapping capabilities and increases the training speed by 46% compared to Instant-NGP. Overall, VIRUS-NeRF presents a promising approach for cost-effective local mapping in mobile robotics, with potential applications in safety and navigation tasks. The code can be found at https://github.com/ethz-asl/virus nerf.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google