From Simulation to Field: Learning Terrain Traversability for Real-World Deployment

要約

通過可能性の推定という課題は、森林などの構造化されていない屋外環境における自律ナビゲーションの重要な側面です。
これには、地形の凹凸、傾斜、潜在的な障害物などの要素を考慮して、特定のエリアがロボットにとって通行可能か危険かを判断することが含まれます。
現在の通過可能性推定方法の大部分は、オフライン計算を前提として動作し、正確な通過可能性推定に対するロボットの進行方向の重大な影響を見落としています。
この研究では、詳細な幾何学的環境データとロボットの最近の動作特性を使用するディープ ニューラル ネットワークを紹介します。
この融合により、密林のような困難な地形でロボットの自律性を高めるために不可欠な、ロボットの方向認識と継続的な移動可能性推定の生成が可能になります。
私たちのアプローチの有効性と重要性は、さまざまな環境でシミュレートされたロボットプラットフォームと実際のロボットプラットフォームの両方で行われた実験によって強調され、既存の方法と比較して定量的に優れたパフォーマンス結果が得られます。
さらに、忠実度の高いシミュレートされた設定のみでトレーニングされた私たちの方法が、実際のデータを収集しなくても、実世界のアプリケーションでの通過可能性を正確に予測できることを実証します。
私たちの実験は、困難な屋外環境における経路計画と探索タスクを最適化するための私たちの方法の利点を示し、効果的な現実世界のロボットナビゲーションにおけるその実用性を強調しています。
協力して進歩するという精神で、私たちはコードの実装を一般に公開しました。

要約(オリジナル)

The challenge of traversability estimation is a crucial aspect of autonomous navigation in unstructured outdoor environments such as forests. It involves determining whether certain areas are passable or risky for robots, taking into account factors like terrain irregularities, slopes, and potential obstacles. The majority of current methods for traversability estimation operate on the assumption of an offline computation, overlooking the significant influence of the robot’s heading direction on accurate traversability estimates. In this work, we introduce a deep neural network that uses detailed geometric environmental data together with the robot’s recent movement characteristics. This fusion enables the generation of robot direction awareness and continuous traversability estimates, essential for enhancing robot autonomy in challenging terrains like dense forests. The efficacy and significance of our approach are underscored by experiments conducted on both simulated and real robotic platforms in various environments, yielding quantitatively superior performance results compared to existing methods. Moreover, we demonstrate that our method, trained exclusively in a high-fidelity simulated setting, can accurately predict traversability in real-world applications without any real data collection. Our experiments showcase the advantages of our method for optimizing path-planning and exploration tasks within difficult outdoor environments, underscoring its practicality for effective, real-world robotic navigation. In the spirit of collaborative advancement, we have made the code implementation available to the public.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google