PACER: Preference-conditioned All-terrain Costmap Generation

要約

自律的なロボットナビゲーションでは、地形が事前に訓練されたセマンティック分類器を使用して最初にラベル付けされ、ラベルとコストの間のユーザー定義のマッピングに従って、地形が最初にラベル付けされるセマンティクスベースのパラダイムを使用して、地形コストの割り当てが通常実行されます。
このアプローチは、ユーザーの好みの変化に急速に適応できますが、セマンティック分類器によって既に知られている地形の種類に対する設定のみを表現できます。
この論文では、上記のセマンティクスベースのパラダイムに代わる機械学習ベースの代替案により、追加のトレーニングを必要とせずに展開時間に表明された新しい地形よりも迅速なコスト割り当ての適応が可能になると仮定します。
この仮説を調査するために、ペーサーを紹介し、研究します。これは、ユーザー指定の好みのコンテキストとともに、周囲の領域の単一の鳥目ビュー（BEV）画像を入力として受け入れるコストマップ生成への新しいアプローチと、優先コンテキストと一致する対応するBEVコスマップを生成します。
実際のデータと合成データの両方を使用して、提案されたトレーニングタスクの組み合わせを使用して、Pacerは新しいユーザーの好みに迅速に適応できると同時に、セマンティクスベースと表現学習アプローチの両方と比較して、新しい地形により良い一般化を示すことができます。

要約(オリジナル)

In autonomous robot navigation, terrain cost assignment is typically performed using a semantics-based paradigm in which terrain is first labeled using a pre-trained semantic classifier and costs are then assigned according to a user-defined mapping between label and cost. While this approach is rapidly adaptable to changing user preferences, only preferences over the types of terrain that are already known by the semantic classifier can be expressed. In this paper, we hypothesize that a machine-learning-based alternative to the semantics-based paradigm above will allow for rapid cost assignment adaptation to preferences expressed over new terrains at deployment time without the need for additional training. To investigate this hypothesis, we introduce and study PACER, a novel approach to costmap generation that accepts as input a single birds-eye view (BEV) image of the surrounding area along with a user-specified preference context and generates a corresponding BEV costmap that aligns with the preference context. Using both real and synthetic data along with a combination of proposed training tasks, we find that PACER is able to adapt quickly to new user preferences while also exhibiting better generalization to novel terrains compared to both semantics-based and representation-learning approaches.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google