现场机器人的可遍历性预测导航

为了在树木繁茂、易受障碍物或地图不良的区域部署现场机器人，用户必须规划所有可能障碍物的路径。最近在 arXiv.org 上的一篇论文提出了一种新的模块化方法，即 WayFAST(用于可遍历性的航点自由自治系统)来加速现场机器人路径编程。

该方法使用模块化架构，该架构结合了使用卷积神经网络和已知运动动力学模型的可遍历性预测，以在各种户外环境中自主导航。它不需要为学习可遍历区域定义任何手动标签或启发式方法。

该方法通过让用户简单地选择机器人需要行进的目标点，显着减少了现场机器人路径编程的时间和精力。在各种具有挑战性的户外环境中进行的实验证实，该方法优于现有方法并导致无振荡自主导航。

我们提出了一种自我监督的方法，用于学习预测需要良好牵引力才能导航的轮式移动机器人的可穿越路径。我们的算法称为 WayFAST(用于可遍历性的无航点自主系统)，它使用 RGB 和深度数据以及导航经验，在室外非结构化环境中自动生成可遍历路径。我们的主要灵感是可以使用运动动力学模型估计滚动机器人的牵引力。使用在线后退水平估计器提供的牵引力估计，我们能够以自我监督的方式训练可遍历性预测神经网络，而不需要以前方法使用的启发式方法。我们通过在不同环境中的广泛现场测试证明了 WayFAST 的有效性，从干燥的沙滩到森林檐篷和白雪覆盖的草地。我们的结果清楚地表明，WayFAST 可以学习避开几何障碍物以及雪等不可穿越的地形，而使用仅提供几何数据的传感器(如 LiDAR)很难避开这些障碍物。此外，我们表明，我们基于在线牵引估计的训练管道比其他基于启发式的方法更有效。