Neural Elevation Models for Terrain Mapping and Path Planning

本文介绍了神经高程模型（NEMos），它将神经辐射场适应于2.5D连续可微的地形模型。与数字高程模型等传统地形表示相比，NEMos可以直接从影像中生成，这是一种低成本的数据源，并通过隐式连续可微的高度场提供了地形的轻量级表示。我们提出了一种新颖的方法，在NeRF框架内联合训练高度场和辐射场，利用分位数回归。此外，我们介绍了一种路径规划算法，通过高度场的可微性实现连续成本函数的梯度优化，以最小化距离、坡度变化和控制力的消耗。我们对模拟和现实世界的地形影像进行了实验，证明了NEMos生成高质量重建和比离散路径规划方法更平滑的路径的能力。未来的工作将探索将特征和语义纳入高度场中，创建一个通用的地形模型。

本文旨在解决从图像中生成连续可微的地形模型的问题，并提出了一种基于NRF（神经辐射场）框架的高度场和辐射场联合训练的方法，以及一种基于梯度优化的连续路径规划算法。

本文提出了一种新的方法，将NRF框架应用于地形模型中，使用高度场和辐射场联合训练，利用分位数回归来优化模型，从而生成连续可微的地形模型。同时，利用高度场的可微性，提出了一种新的连续路径规划算法。

本文使用了模拟和真实世界的地形图像进行实验，并展示了NEMos生成高质量重构和比离散路径规划方法更平滑的路径的能力。此外，本文还探讨了将特征和语义纳入高度场中，从而创建一个通用地形模型的未来工作。

在相关研究方面，最近的研究集中于使用深度学习生成地形模型，如使用GAN生成地形，或者使用NRF生成三维场景。