Learning-based Traversability Costmap for Autonomous Off-road Navigation

在越野地形中进行可通过性估计是自主导航的重要过程。然而，在基于学习的成本地图生成中，为机器人与地表之间的复杂交互创建可靠的标签仍然是一个具有挑战性的问题。为了解决这个问题，我们提出了一种方法，通过利用环境的视觉和几何信息来预测可通过性成本地图。为了量化表面的特性，如粗糙度和颠簸度，我们引入了一种新的风险感知标记方式，利用本体感知信息进行网络训练。我们在复杂的越野场景中验证了我们的方法在成本地图预测和导航任务中的有效性。我们的结果表明，我们的成本地图预测方法在平均精度和均方误差方面表现优异。导航结果表明，使用我们学习到的成本地图可以实现更安全、更平稳的驾驶，相比之前的方法，在两个场景中具有最高的成功率、最低的归一化轨迹长度、最低的时间成本和最高的平均稳定性。

解决问题：论文试图通过利用环境的视觉和几何信息，提出一种预测通过复杂离线地形的可行性地图的方法，以提高自主导航的安全性和平稳性。

关键思路：利用视觉和几何信息预测可行性地图，通过一种新颖的风险感知标签方法进行网络训练，以量化表面性质，如粗糙度和颠簸度。

其他亮点：实验验证了该方法在复杂离线场景的代价地图预测和导航任务中的优越性，表现出更高的平均准确度和更低的MSE，并且导航结果表明使用该方法学习的代价地图可以实现更安全和更平稳的驾驶。

相关研究：最近的相关研究包括：《Terrain Traversability Analysis: A Review of the State of the Art》、《Deep Terrain Perception for Autonomous Robots》等。