Seeing Through the Grass: Semantic Pointcloud Filter for Support Surface Learning

要約

移動式地上ロボットが自律的かつ安全に移動するには、周囲の支持面を認識して理解する必要があります。
支持面は通常、LiDAR などからの外受容深度測定に基づいて推定されます。
ただし、背の高い草やその他の侵入可能な植生が存在する場合、測定された深さは実際のサポート表面と一致しません。
この研究では、基礎となるサポート表面に合わせて LiDAR 測定値を調整することを学習する畳み込みニューラル ネットワーク (CNN) であるセマンティック ポイントクラウド フィルター (SPF) を紹介します。
SPF は半自己監視方式でトレーニングされ、LiDAR ポイントクラウドと RGB 画像を入力として受け取ります。
ネットワークは、調整が必要な特定のポイントを識別するバイナリ セグメンテーション マスクを予測し、それに対応する深度値を推定します。
セグメンテーション タスクをトレーニングするために、300 個の個別の画像が手動で剛体地形と非剛体地形にラベル付けされます。
深さ推定タスクは、ロボットの将来の足場を利用してガウス プロセスに基づいてサポート表面を推定することにより、自己教師ありの方法でトレーニングされます。
私たちの方法は、地形と相互作用する前に支持面を正確に調整することができ、四足ロボット ANYmal で広範囲にテストされています。
生のセンサー測定や既存の平滑化手法を使用した場合と比較して、自然環境における標高マッピングと通過可能性の推定における SPF の定性的な利点を示します。
さまざまな自然環境で定量分析が行われ、草原地形内では RMSE 48% の改善が達成されました。

要約(オリジナル)

Mobile ground robots require perceiving and understanding their surrounding support surface to move around autonomously and safely. The support surface is commonly estimated based on exteroceptive depth measurements, e.g., from LiDARs. However, the measured depth fails to align with the true support surface in the presence of high grass or other penetrable vegetation. In this work, we present the Semantic Pointcloud Filter (SPF), a Convolutional Neural Network (CNN) that learns to adjust LiDAR measurements to align with the underlying support surface. The SPF is trained in a semi-self-supervised manner and takes as an input a LiDAR pointcloud and RGB image. The network predicts a binary segmentation mask that identifies the specific points requiring adjustment, along with estimating their corresponding depth values. To train the segmentation task, 300 distinct images are manually labeled into rigid and non-rigid terrain. The depth estimation task is trained in a self-supervised manner by utilizing the future footholds of the robot to estimate the support surface based on a Gaussian process. Our method can correctly adjust the support surface prior to interacting with the terrain and is extensively tested on the quadruped robot ANYmal. We show the qualitative benefits of SPF in natural environments for elevation mapping and traversability estimation compared to using raw sensor measurements and existing smoothing methods. Quantitative analysis is performed in various natural environments, and an improvement by 48% RMSE is achieved within a meadow terrain.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google