Online Adaptive Traversability Estimation through Interaction for Unstructured, Densely Vegetated Environments

要約

植生がうっそうと茂る環境を航行することは、自律走行する地上車両にとって大きな課題となる。学習ベースのシステムは通常、事前データと現場データを用いて地形の走破性を予測するが、急激な環境変化や新奇な条件による分布外要素に遭遇すると、性能が低下することが多い。本論文では、ロボットと環境との相互作用を通じて収集された自己教師付きデータを用いて、ロボットに直接モデルを学習させる、ライダーのみを用いた新しいオンライン適応型走破性推定（TE）手法を提案する。提案手法は、ライダー計測とロボット経験を統合し、顕著な環境モデルを作成するために、確率的3Dボクセル表現を利用する。計算効率を確保するために、一時的に進化するボクセル分布を更新するために、スパースグラフベースの表現を採用する。自然地形における無人地上車両を用いた広範な実験により、本システムがわずか8分の運用データで複雑な環境に適応し、マシューズ相関係数（MCC）スコア0.63を達成し、植生が密集した環境でも安全なナビゲーションが可能であることが実証された。本研究では、ボクセルベースのTE手法の様々なトレーニング戦略を検証し、適応性を向上させるためのトレーニング戦略に関する推奨事項を提示する。提案手法は、限られた計算資源（25W GPU）のロボットプラットフォームで検証され、オフラインで訓練されたモデルに匹敵する精度を達成すると同時に、様々な環境下で信頼性の高い性能を維持した。

要約(オリジナル)

Navigating densely vegetated environments poses significant challenges for autonomous ground vehicles. Learning-based systems typically use prior and in-situ data to predict terrain traversability but often degrade in performance when encountering out-of-distribution elements caused by rapid environmental changes or novel conditions. This paper presents a novel, lidar-only, online adaptive traversability estimation (TE) method that trains a model directly on the robot using self-supervised data collected through robot-environment interaction. The proposed approach utilises a probabilistic 3D voxel representation to integrate lidar measurements and robot experience, creating a salient environmental model. To ensure computational efficiency, a sparse graph-based representation is employed to update temporarily evolving voxel distributions. Extensive experiments with an unmanned ground vehicle in natural terrain demonstrate that the system adapts to complex environments with as little as 8 minutes of operational data, achieving a Matthews Correlation Coefficient (MCC) score of 0.63 and enabling safe navigation in densely vegetated environments. This work examines different training strategies for voxel-based TE methods and offers recommendations for training strategies to improve adaptability. The proposed method is validated on a robotic platform with limited computational resources (25W GPU), achieving accuracy comparable to offline-trained models while maintaining reliable performance across varied environments.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL