标题:Learning-based 3D Occupancy Prediction for Autonomous Navigation
in Occluded Environments
作者:Lizi Wang∗, Hongkai Ye∗, Qianhao Wang, Yuman Gao, Chao Xu and Fei Gao
来源:https://arxiv.org/abs/2011.03981v1
代码:https://github.com/ZJU-FAST-Lab/OPNet
文章目录
摘要
在移动机器人的自主导航中,传感器在复杂的环境中可能会遭到大量的遮挡,从而会给规划过程带来大量未知的空间。在实际情况中,在未知空间中进行规划是无法同时满足轨迹的安全性和侵略性要求。但对于人类来说,通过局部观察来推断障碍物的确切形状,并生成非保守的轨迹,就可以避免在封闭空间内发生可能的碰撞。为了模仿人类这一行为,本文提出了一种基于深度神经网络的方法,可以可靠地预测未知空间的占据情况。具体来说,所提出的方法利用环境的上下文信息并且从先验中学习以预测被遮挡空间中的障碍物分布。使用无标签且没有事实依据的数据来训练我们的网络,并将其成功地应用于看不见的环境中进行实时导航,而无需进行任何改进。结果表明,我们的方法可以在不降低在集群环境速度的情况下提高安全性,从而充分利用了动力学设计器的性能。
使用有限的观察来预测未知可以被认