ProxMaP: Proximal Occupancy Map Prediction for Efficient Indoor Robot Navigation

要約

地上ロボットの典型的な経路計画パイプラインでは、ロボットが移動する際に環境のマップ（例えば、占有グリッド）を構築します。しかし、屋内を移動する場合、オクルージョンの影響により、地上ロボットの環境に関する知識が制限される可能性があります。そのため、マップには、保守的なプランナーによって回避される必要のある、まだ知られていない領域が多数存在することになる。その代わりに、ロボットが周囲の環境やオクルージョンがどのように見えるかを正しく予測することができれば、ロボットはより効率的にナビゲーションを行うことができるかもしれない。本研究では、より高速なナビゲーションを可能にするために、ロボットの到達可能距離内の占有率を予測することに着目し、自己教師付き近接占有マップ予測手法（ProxMaP）を提示する。ProxMaPは現実的な実領域でよく一般化され、従来のナビゲーション手法に対してシミュレーションでロボットナビゲーション効率を12.40%向上させることを示す。私たちの研究成果は、プロジェクトのウェブページ（http://raaslab.org/projects/ProxMaP/ ）で紹介しています。

要約(オリジナル)

In a typical path planning pipeline for a ground robot, we build a map (e.g., an occupancy grid) of the environment as the robot moves around. While navigating indoors, a ground robot’s knowledge about the environment may be limited due to occlusions. Therefore, the map will have many as-yet-unknown regions that may need to be avoided by a conservative planner. Instead, if a robot is able to correctly predict what its surroundings and occluded regions look like, the robot may be more efficient in navigation. In this work, we focus on predicting occupancy within the reachable distance of the robot to enable faster navigation and present a self-supervised proximity occupancy map prediction method, named ProxMaP. We show that ProxMaP generalizes well across realistic and real domains, and improves the robot navigation efficiency in simulation by 12.40% against the traditional navigation method. We share our findings on our project webpage (see http://raaslab.org/projects/ProxMaP/ ).

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL