Long Range Navigator (LRN): Extending robot planning horizons beyond metric maps

要約

スペースの事前の知識なしで屋外環境をナビゲートするロボットは、その周囲と計画を知覚するために、地元のセンシングに依存する必要があります。
これは、固定された地平線を備えたローカルメトリックマップまたはローカルポリシーの形で提供されます。
それを超えて、いくつかの固定コストがマークされた不明なスペースの霧があります。
限られた計画の地平線は、多くの場合、近視の決定をもたらす可能性があり、非常に困難な地形にロボットをオフに導くことができます。
理想的には、ロボットに、ローカルコストマップよりも桁違いに大きくなることができる完全な知識を持っていることを望みます。
実際には、これはセンシング情報がまばらであり、しばしば計算的に高価であるため扱いにくいです。
この作業では、長距離ナビゲーションには、完全なマップ知識の代わりに計画のための優れたフロンティアの方向性を特定する必要があるという重要な観察を行います。
この目的のために、長距離ナビゲーター（LRN）を提案します。これは、計画のために「手頃な」フロンティアに高次元カメラ画像をマッピングし、目的の目標と最大限に合わせて最適化する中間アフォーダンス表現を学習します。
LRNは、特に、自立していない自我中心のビデオで完全にトレーニングされているため、新しいプラットフォームに簡単に拡大して適応できます。
その場での大規模なオフロード実験を通じて、LRNで既存のナビゲーションスタックを増強すると、テスト時に人間の介入が減少し、LRNの関連性を示す意思決定がより速くなることがわかります。
https://personalrobotics.github.io/lrn

要約(オリジナル)

A robot navigating an outdoor environment with no prior knowledge of the space must rely on its local sensing to perceive its surroundings and plan. This can come in the form of a local metric map or local policy with some fixed horizon. Beyond that, there is a fog of unknown space marked with some fixed cost. A limited planning horizon can often result in myopic decisions leading the robot off course or worse, into very difficult terrain. Ideally, we would like the robot to have full knowledge that can be orders of magnitude larger than a local cost map. In practice, this is intractable due to sparse sensing information and often computationally expensive. In this work, we make a key observation that long-range navigation only necessitates identifying good frontier directions for planning instead of full map knowledge. To this end, we propose Long Range Navigator (LRN), that learns an intermediate affordance representation mapping high-dimensional camera images to `affordable’ frontiers for planning, and then optimizing for maximum alignment with the desired goal. LRN notably is trained entirely on unlabeled ego-centric videos making it easy to scale and adapt to new platforms. Through extensive off-road experiments on Spot and a Big Vehicle, we find that augmenting existing navigation stacks with LRN reduces human interventions at test-time and leads to faster decision making indicating the relevance of LRN. https://personalrobotics.github.io/lrn

arxiv情報

提供元, 利用サービス

arxiv.jp, Google