Learning-based Traversability Costmap for Autonomous Off-road Navigation

要約

オフロード地形での通過可能性の推定は、自律ナビゲーションにとって不可欠な手順です。
ただし、ロボットと表面の間の複雑な相互作用に対して信頼性の高いラベルを作成することは、学習ベースのコストマップ生成において依然として困難な問題です。
これに対処するために、環境の視覚的情報と幾何学的情報の両方を活用して、通過可能性のコストマップを予測する方法を提案します。
粗さやでこぼこなどの表面特性を定量化するために、ネットワーク トレーニング用の固有受容情報を使用してリスクを認識したラベル付けを行う新しい方法を導入します。
複雑なオフロード シナリオのコストマップ予測およびナビゲーション タスクにおける手法を検証します。
私たちの結果は、コストマップ予測手法が平均精度と MSE の点で優れていることを示しています。
ナビゲーションの結果は、学習されたコストマップを使用すると、より安全でスムーズな運転につながり、2 つのシナリオ全体で最高の成功率、最低の正規化された軌道長、最低の時間コスト、最高の平均安定性の点で以前の方法を上回っていることを示しています。

要約(オリジナル)

Traversability estimation in off-road terrains is an essential procedure for autonomous navigation. However, creating reliable labels for complex interactions between the robot and the surface is still a challenging problem in learning-based costmap generation. To address this, we propose a method that predicts traversability costmaps by leveraging both visual and geometric information of the environment. To quantify the surface properties like roughness and bumpiness, we introduce a novel way of risk-aware labelling with proprioceptive information for network training. We validate our method in costmap prediction and navigation tasks for complex off-road scenarios. Our results demonstrate that our costmap prediction method excels in terms of average accuracy and MSE. The navigation results indicate that using our learned costmaps leads to safer and smoother driving, outperforming previous methods in terms of the highest success rate, lowest normalized trajectory length, lowest time cost, and highest mean stability across two scenarios.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google