要約
移動ロボットの経路計画には、通常、ロボットが移動しながら環境のマップ（例えば、占有グリッド）を構築する必要がある。未知の環境を移動する場合、ロボットがオンラインで構築したマップには、まだ知られていない領域が多数存在する可能性がある。保守的なプランナーであれば、そのような領域を避けるため、ゴールまでの移動時間が長くなる可能性がある。その代わりに、もしロボットが隠蔽領域の占有率を正しく予測することができれば、ロボットは効率的にナビゲートすることができる。我々は、より高速なナビゲーションを可能にするために、ロボットの近傍の占有率を予測する自己教師付き占有率予測手法ProxMaPを提案する。我々は、ProxMaPが現実的な実領域でうまく一般化することを示し、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の効率を12.40%向上させることを示す。我々の研究成果とコードをhttps://raaslab.org/projects/ProxMaP。
要約(オリジナル)
Planning a path for a mobile robot typically requires building a map (e.g., an occupancy grid) of the environment as the robot moves around. While navigating in an unknown environment, the map built by the robot online may have many as-yet-unknown regions. A conservative planner may avoid such regions taking a longer time to navigate to the goal. Instead, if a robot is able to correctly predict the occupancy in the occluded regions, the robot may navigate efficiently. We present a self-supervised occupancy prediction technique, ProxMaP, to predict the occupancy within the proximity of the robot to enable faster navigation. We show that ProxMaP generalizes well across realistic and real domains, and improves the robot navigation efficiency in simulation by 12.40% against a traditional navigation method. We share our findings and code at https://raaslab.org/projects/ProxMaP.
arxiv情報
| 著者 | Vishnu Dutt Sharma,Jingxi Chen,Pratap Tokekar |
| 発行日 | 2023-08-03 02:27:40+00:00 |
| arxivサイト | arxiv_id(pdf) |