An Onboard Framework for Staircases Modeling Based on Point Clouds

要約

階段における走行可能領域の検出とその物理的モデリングは、脚式ロボットのモビリティにとって極めて重要な要素である。本論文では、点群データによる階段の走行可能領域の検出と物理的属性のモデリングに特化したオンボードフレームワークを紹介する。照明変動の影響とデータセットの多様性によるオーバーフィッティングを緩和するために、一連のデータ補強を導入し、基本ネットワークの学習を強化する。トラバース可能領域と非トラバース可能領域の境界における予測の曖昧さを低減するために、曲率抑制クロスエントロピー(CSCE)損失を提案する。さらに、階段の姿勢推定に基づく計測補正を導入し、傾いた視点に影響される生モデリングの出力を較正する。最後に、階段に関するデータセットを収集し、新たな評価基準を導入する。このデータセットに対して行った一連の厳密な実験を通じて、提案手法の優れた精度と一般化能力を実証する。コード、モデル、データセットはhttps://github.com/szturobotics/Stair-detection-and-modeling-project。

要約(オリジナル)

The detection of traversable regions on staircases and the physical modeling constitutes pivotal aspects of the mobility of legged robots. This paper presents an onboard framework tailored to the detection of traversable regions and the modeling of physical attributes of staircases by point cloud data. To mitigate the influence of illumination variations and the overfitting due to the dataset diversity, a series of data augmentations are introduced to enhance the training of the fundamental network. A curvature suppression cross-entropy(CSCE) loss is proposed to reduce the ambiguity of prediction on the boundary between traversable and non-traversable regions. Moreover, a measurement correction based on the pose estimation of stairs is introduced to calibrate the output of raw modeling that is influenced by tilted perspectives. Lastly, we collect a dataset pertaining to staircases and introduce new evaluation criteria. Through a series of rigorous experiments conducted on this dataset, we substantiate the superior accuracy and generalization capabilities of our proposed method. Codes, models, and datasets will be available at https://github.com/szturobotics/Stair-detection-and-modeling-project.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL