VERN: Vegetation-aware Robot Navigation in Dense Unstructured Outdoor Environments

要約

さまざまな柔軟/通過可能および非柔軟/通過不可能な植生を持つ密集した植生環境での自律脚ロボットナビゲーションの新しい方法を提案します。
数百の RGB 画像でトレーニングして、ナビゲートできる植物相と回避する必要がある植物相を区別できる、新しい少数ショット学習分類器を提示します。
植生分類と 2D LIDAR スキャンを使用して、私たちの方法は、柔軟な障害物と柔軟でない障害物を正確に表す植生を考慮した通過可能性コスト マップを作成し、通過可能性コストがそれぞれ低い場合と高い場合を示します。
私たちのコストマップの構築は植生の誤分類を考慮し、ナビゲーション中の植生の衝突、凍結、閉じ込めのリスクをさらに低下させます。
さらに、ロボットが凍結したり、密集した柔軟な植生に物理的に閉じ込められたりするシナリオで、ロボットのホロノミック回復動作を提案します。
まばらで密集した背の高い草、茂み、木などがある現実世界の非構造化環境で、Boston Dynamics Spot ロボットでこの方法を実証します。成功率が 25 ～ 90% 増加し、凍結率が 10 ～ 90% 減少することが観察されます。
、および既存の方法と比較して偽陽性率が最大 65% 減少します。

要約(オリジナル)

We propose a novel method for autonomous legged robot navigation in densely vegetated environments with a variety of pliable/traversable and non-pliable/untraversable vegetation. We present a novel few-shot learning classifier that can be trained on a few hundred RGB images to differentiate flora that can be navigated through, from the ones that must be circumvented. Using the vegetation classification and 2D lidar scans, our method constructs a vegetation-aware traversability cost map that accurately represents the pliable and non-pliable obstacles with lower, and higher traversability costs, respectively. Our cost map construction accounts for misclassifications of the vegetation and further lowers the risk of collisions, freezing and entrapment in vegetation during navigation. Furthermore, we propose holonomic recovery behaviors for the robot for scenarios where it freezes, or gets physically entrapped in dense, pliable vegetation. We demonstrate our method on a Boston Dynamics Spot robot in real-world unstructured environments with sparse and dense tall grass, bushes, trees, etc. We observe an increase of 25-90% in success rates, 10-90% decrease in freezing rate, and up to 65% decrease in the false positive rate compared to existing methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google