Beyond the Frontier: Predicting Unseen Walls from Occupancy Grids by Learning from Floor Plans

本文旨在解决通过沿着360度激光雷达传感器的轨迹集成占用栅格，将部分观察到的环境的未见墙壁预测为一组2D线段的挑战。通过在大学校园内的一组随机采样的办公室规模的平面图之间导航虚拟机器人，收集了这种占用栅格及其相应的目标墙壁线段的数据集。线段预测任务被制定为自回归序列预测任务，并在该数据集上训练了一个基于注意力机制的深度网络。通过预测的信息增益进行了序列自回归制定的评估，如前沿自主探索，证明了相对于文献中的非预测估计和基于卷积的图像预测，有着显著的改进。对关键组件进行了消融实验，同时还评估了传感器范围和占用栅格的度量区域。最后，通过在实际办公环境中即时重建的新平面图中预测墙壁，验证了模型的普适性。

本文旨在利用360度激光雷达传感器所采集的占据栅格图，预测未见墙壁的位置。作者通过构建虚拟机器人在大学校园的不同房间内随机采样路径，收集了相应的占据栅格图和目标墙壁线段的数据集。

本文提出了一种基于自回归序列预测的注意力机制深度网络，用于预测未见墙壁的位置。相比于当前领域中基于卷积神经网络的图像预测方法，本文所提出的自回归序列预测方法在信息增益方面表现更为优异。

本文的实验结果表明，所提出的自回归序列预测方法在信息增益方面表现出色，相比于其他方法有明显的提升。作者还对模型的关键组件进行了实验分析，同时对传感器范围和占据栅格图的度量面积进行了探究。最终，作者还验证了模型的泛化性能，成功预测了一个在现实世界办公环境中实时重建的新楼层。

近期在该领域的相关研究包括：《End-to-End Learning of Semantic Grasping》、《Learning to Navigate in Cities Without a Map》、《Visual Semantic Planning using Deep Successor Representations》等。