RoadRunner M&M — Learning Multi-range Multi-resolution Traversability Maps for Autonomous Off-road Navigation

要約

オフロード環境でのロボットの自律ナビゲーションには、地形の形状と通過性を包括的に理解する必要があります。
長距離での知覚状態の低下と幾何学的情報のまばらさにより、特に高速で運転する場合に問題が困難になります。
さらに、センシングからマッピングまでの待ち時間と先読みマップの範囲により、車両の最高速度が制限される可能性があります。
最近の研究である RoadRunner を基にして、この研究では長距離 (100 m) の通過可能性の推定という課題に取り組みます。
当社の RoadRunner (M&M) は、複数の画像と
LiDAR ボクセル マップ。
私たちの手法は、後知恵の既存の通過可能性推定スタック (X-Racer) と衛星デジタル標高マップからの予測を融合することによって生成された高密度の監視信号を活用することで、自己教師ありの方法でトレーニングされます。
RoadRunner M&M は、RoadRunner と比較して標高マッピングで最大 50%、通過可能性推定で 30% の大幅な改善を達成し、リアルタイム パフォーマンスを達成しながら、X-Racer と比較して 30% 多い地域で予測できます。
さまざまな分布外データセットでの実験も、私たちのデータ駆動型アプローチが新しい非構造化環境に一般化され始めていることを示しています。
私たちが提案するフレームワークを閉ループでパス プランナーと統合し、困難な現実世界の環境での自律的な高速オフロード ロボット ナビゲーションを実証します。
プロジェクトページ: https://leggedrobotics.github.io/roadrunner_mm/

要約(オリジナル)

Autonomous robot navigation in off-road environments requires a comprehensive understanding of the terrain geometry and traversability. The degraded perceptual conditions and sparse geometric information at longer ranges make the problem challenging especially when driving at high speeds. Furthermore, the sensing-to-mapping latency and the look-ahead map range can limit the maximum speed of the vehicle. Building on top of the recent work RoadRunner, in this work, we address the challenge of long-range (100 m) traversability estimation. Our RoadRunner (M&M) is an end-to-end learning-based framework that directly predicts the traversability and elevation maps at multiple ranges (50 m, 100 m) and resolutions (0.2 m, 0.8 m) taking as input multiple images and a LiDAR voxel map. Our method is trained in a self-supervised manner by leveraging the dense supervision signal generated by fusing predictions from an existing traversability estimation stack (X-Racer) in hindsight and satellite Digital Elevation Maps. RoadRunner M&M achieves a significant improvement of up to 50% for elevation mapping and 30% for traversability estimation over RoadRunner, and is able to predict in 30% more regions compared to X-Racer while achieving real-time performance. Experiments on various out-of-distribution datasets also demonstrate that our data-driven approach starts to generalize to novel unstructured environments. We integrate our proposed framework in closed-loop with the path planner to demonstrate autonomous high-speed off-road robotic navigation in challenging real-world environments. Project Page: https://leggedrobotics.github.io/roadrunner_mm/

arxiv情報

提供元, 利用サービス

arxiv.jp, Google