Differentiable Composite Neural Signed Distance Fields for Robot Navigation in Dynamic Indoor Environments

要約

ニューラル署名距離フィールド（SDFS）は、ロボットナビゲーションタスクの衝突チェックと明確に定義された勾配を容易に取得するために、微分可能な環境表現を提供します。
ただし、シーンの進化に応じてニューラルSDFSを更新するには、退屈で時間がかかり、非効率的であるため、再トレーニングが必要であるため、動的環境での視野が限られているロボットナビゲーションには適していません。
この目的に向けて、オンボードRGB-Dセンサーのみを使用して屋内環境でロボットナビゲーションを解決するための神経SDFの構成フレームワークを提案します。
私たちのフレームワークは、衝突コストと衝突回避勾配のモデリングの補完的な方法を使用して、さまざまなモードを使用して、軌道最適化のためのデュアルモード手順を具体化します。
プライマリステージは、ロボットボディのSDFを照会し、障害物ポイントクラウドでゴールへのルートに沿ってスイープし、軌道の迅速なローカル最適化を可能にします。
セカンダリステージは、構成要素のSDF表現を調整および構成することにより、可視シーンのSDFを推進し、軌道最適化のためのより良い情報に基づいたコストと勾配を提供します。
デュアルモードの手順は、両方の段階のベストを組み合わせて、98％の成功率を達成し、ベースラインよりも14.4％高くなり、Igibson 2.0で均等化された計画時間があります。
また、現実世界の屋内シナリオに適応する際のその効果を示しています。

要約(オリジナル)

Neural Signed Distance Fields (SDFs) provide a differentiable environment representation to readily obtain collision checks and well-defined gradients for robot navigation tasks. However, updating neural SDFs as the scene evolves entails re-training, which is tedious, time consuming, and inefficient, making it unsuitable for robot navigation with limited field-of-view in dynamic environments. Towards this objective, we propose a compositional framework of neural SDFs to solve robot navigation in indoor environments using only an onboard RGB-D sensor. Our framework embodies a dual mode procedure for trajectory optimization, with different modes using complementary methods of modeling collision costs and collision avoidance gradients. The primary stage queries the robot body’s SDF, swept along the route to goal, at the obstacle point cloud, enabling swift local optimization of trajectories. The secondary stage infers the visible scene’s SDF by aligning and composing the SDF representations of its constituents, providing better informed costs and gradients for trajectory optimization. The dual mode procedure combines the best of both stages, achieving a success rate of 98%, 14.4% higher than baseline with comparable amortized plan time on iGibson 2.0. We also demonstrate its effectiveness in adapting to real-world indoor scenarios.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google