Neural Elevation Models for Terrain Mapping and Path Planning

要約

この研究では、Neural Radiance Fields を 2.5D 連続微分可能な地形モデルに適応させる Neural Elevations Models (NEMo) を導入します。
数値標高モデルなどの従来の地形表現とは対照的に、NEMo は低コストのデータ ソースである画像から容易に生成でき、暗黙的な連続微分可能な高さフィールドを通じて地形の軽量表現を提供します。
我々は、分位点回帰を利用して、NeRF フレームワーク内で高さフィールドと放射輝度フィールドを共同トレーニングするための新しい方法を提案します。
さらに、高さフィールドの微分可能性によって可能になる、距離、傾斜の変化、および制御労力を最小限に抑えるための連続コスト関数の勾配ベースの最適化を実行する経路計画アルゴリズムを導入します。
私たちは、シミュレートされた地形画像と現実世界の地形画像で実験を実行し、NEMo が高品質の再構成を生成し、離散的な経路計画法と比較してより滑らかな経路を生成する能力を実証します。
今後の作業では、高さフィールドへのフィーチャとセマンティクスの組み込みを検討し、一般化された地形モデルを作成する予定です。

要約(オリジナル)

This work introduces Neural Elevations Models (NEMos), which adapt Neural Radiance Fields to a 2.5D continuous and differentiable terrain model. In contrast to traditional terrain representations such as digital elevation models, NEMos can be readily generated from imagery, a low-cost data source, and provide a lightweight representation of terrain through an implicit continuous and differentiable height field. We propose a novel method for jointly training a height field and radiance field within a NeRF framework, leveraging quantile regression. Additionally, we introduce a path planning algorithm that performs gradient-based optimization of a continuous cost function for minimizing distance, slope changes, and control effort, enabled by differentiability of the height field. We perform experiments on simulated and real-world terrain imagery, demonstrating NEMos ability to generate high-quality reconstructions and produce smoother paths compared to discrete path planning methods. Future work will explore the incorporation of features and semantics into the height field, creating a generalized terrain model.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google