論文の概要: URA*: Uncertainty-aware Path Planning using Image-based Aerial-to-Ground
Traversability Estimation for Off-road Environments
- arxiv url: http://arxiv.org/abs/2309.08814v1
- Date: Fri, 15 Sep 2023 23:52:45 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-19 19:11:51.406267
- Title: URA*: Uncertainty-aware Path Planning using Image-based Aerial-to-Ground
Traversability Estimation for Off-road Environments
- Title（参考訳）: ura*: オフロード環境における画像に基づく空中対地トラバーサビリティ推定を用いた不確実性を考慮した経路計画
- Authors: Charles Moore, Shaswata Mitra, Nisha Pillai, Marc Moore, Sudip Mittal,
Cindy Bethel, Jingdao Chen
- Abstract要約: 本研究では,オフロード環境における自律走行のための航空画像を用いた不確実性を考慮した経路計画手法URA*を提案する。
提案するプランナーには,オンラインロボット操作時の迅速な再計画を可能にするリプランニング技術も組み込まれている。
その結果,提案手法は,初期経路の品質と実現可能性の観点から,従来の計画アルゴリズムよりも優れていることがわかった。
- 参考スコア（独自算出の注目度）: 4.826948318242962
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: A major challenge with off-road autonomous navigation is the lack of maps or
road markings that can be used to plan a path for autonomous robots. Classical
path planning methods mostly assume a perfectly known environment without
accounting for the inherent perception and sensing uncertainty from detecting
terrain and obstacles in off-road environments. Recent work in computer vision
and deep neural networks has advanced the capability of terrain traversability
segmentation from raw images; however, the feasibility of using these noisy
segmentation maps for navigation and path planning has not been adequately
explored. To address this problem, this research proposes an uncertainty-aware
path planning method, URA* using aerial images for autonomous navigation in
off-road environments. An ensemble convolutional neural network (CNN) model is
first used to perform pixel-level traversability estimation from aerial images
of the region of interest. The traversability predictions are represented as a
grid of traversal probability values. An uncertainty-aware planner is then
applied to compute the best path from a start point to a goal point given these
noisy traversal probability estimates. The proposed planner also incorporates
replanning techniques to allow rapid replanning during online robot operation.
The proposed method is evaluated on the Massachusetts Road Dataset, the
DeepGlobe dataset, as well as a dataset of aerial images from off-road proving
grounds at Mississippi State University. Results show that the proposed image
segmentation and planning methods outperform conventional planning algorithms
in terms of the quality and feasibility of the initial path, as well as the
quality of replanned paths.
- Abstract（参考訳）: オフロード自律ナビゲーションにおける大きな課題は、自律ロボットの経路計画に使用できる地図や道路標識の欠如である。
古典的な経路計画法は主に、オフロード環境における地形や障害物の検出から固有の認識や不確実性を考慮せずに、完全に知られた環境を前提としている。
近年のコンピュータビジョンと深層ニューラルネットワークの研究により、生画像からの地形トラバーサビリティセグメンテーションの能力が向上しているが、これらのノイズの多いセグメンテーションマップをナビゲーションや経路計画に活用することは十分に検討されていない。
そこで本研究では,オフロード環境における自律航行のための空中画像を用いた不確実性認識経路計画手法であるura*を提案する。
アンサンブル畳み込みニューラルネットワーク(cnn)モデルは、まず、関心領域の空中画像からピクセルレベルのトラバーサビリティ推定を行うために使用される。
トラバーサビリティ予測は、トラバーサビリティ確率値のグリッドとして表現される。
不確実性を認識したプランナーは、これらのノイズの多いトラバーサル確率推定値を考えると、開始点からゴール点までの最善の経路を計算するために適用される。
提案するプランナーには,オンラインロボット操作時の迅速な再計画を可能にするリプランニング技術も組み込まれている。
提案手法は、マサチューセッツ道路データセット、DeepGlobeデータセット、およびミシシッピ州立大学のオフロード試験場からの空中画像のデータセットに基づいて評価される。
その結果,提案手法は,初期経路の品質と実現可能性,および計画された経路の品質の観点から,従来の計画アルゴリズムよりも優れていた。
関連論文リスト
- Autonomous Hiking Trail Navigation via Semantic Segmentation and Geometric Analysis [2.1149122372776743]
この研究は、自動ハイキングトレイルナビゲーションに新しいアプローチを導入し、必要に応じてオフトレールルートに適応する柔軟性とトレイルアテンデンスをバランスさせる。
このソリューションは、カメラ画像のセマンティックデータとLiDARの幾何学的情報を統合して、周囲の地形を包括的に理解するトラバーサビリティ分析モジュールである。
プランナーは、このトラバーサビリティマップを安全にナビゲートするために使用し、トレイルに固執しながら、軌道上の危険や安全なオフトレールショートカットを避けるために必要であれば、オフトレール移動を許可する。
論文 参考訳（メタデータ） (2024-09-24T02:21:10Z) - UFO: Uncertainty-aware LiDAR-image Fusion for Off-road Semantic Terrain
Map Estimation [2.048226951354646]
本稿では,BEVにおける高密度地形分類図を生成するための学習ベース融合法を提案する。
提案手法は,RGB画像とシングルスイープLiDARスキャンから生成されたセマンティックマップの精度を向上させる。
論文 参考訳（メタデータ） (2024-03-05T04:20:03Z) - Pixel to Elevation: Learning to Predict Elevation Maps at Long Range using Images for Autonomous Offroad Navigation [10.898724668444125]
本稿では,車載エゴセントリック画像のみをリアルタイムに利用して,長距離の地形標高マップを予測できる学習型アプローチを提案する。
複雑で非構造的な地形における自律型オフロードロボットナビゲーションへの提案手法の適用性を実験的に検証した。
論文 参考訳（メタデータ） (2024-01-30T22:37:24Z) - RSRD: A Road Surface Reconstruction Dataset and Benchmark for Safe and
Comfortable Autonomous Driving [67.09546127265034]
道路表面の再構築は、車両の走行計画と制御システムの解析と予測を促進するのに役立つ。
我々は,様々な運転条件下で,特定のプラットフォームで収集した実世界,高解像度,高精度のデータセットであるRoad Surface Reconstructionデータセットを紹介した。
約16,000対のステレオ画像、原点雲、地中深度・不均等地図を含む一般的な道路形態を網羅している。
論文 参考訳（メタデータ） (2023-10-03T17:59:32Z) - NNPP: A Learning-Based Heuristic Model for Accelerating Optimal Path Planning on Uneven Terrain [5.337162499594818]
本稿では,この縮小された検索空間内でのみ最適な経路をAstarのような基礎アルゴリズムで見つけることができるNNPPモデルを提案する。
NNPPモデルは、多くの事前注釈付き最適経路のデモから、スタート地点とゴール地点に関する情報とマップ表現を学習する。
新規地図上での経路計画のテキストカラー化が可能である。
論文 参考訳（メタデータ） (2023-08-09T08:31:05Z) - POA: Passable Obstacles Aware Path-planning Algorithm for Navigation of
a Two-wheeled Robot in Highly Cluttered Environments [53.41594627336511]
パッシブル障害物認識(Passable Obstacles Aware, POA)プランナーは, 乱雑な環境下での二輪ロボットのナビゲーション手法である。
我々のアルゴリズムは、二輪ロボットが通過可能な障害物を通り抜ける道を見つけることを可能にする。
論文 参考訳（メタデータ） (2023-07-16T19:44:27Z) - Incremental 3D Scene Completion for Safe and Efficient Exploration
Mapping and Planning [60.599223456298915]
本研究では,情報,安全,解釈可能な地図作成と計画に3次元シーン補完を活用することによって,深層学習を探索に統合する新しい手法を提案する。
本手法は,地図の精度を最小限に抑えることで,ベースラインに比べて環境のカバレッジを73%高速化できることを示す。
最終地図にシーン完了が含まれていなくても、ロボットがより情報的な経路を選択するように誘導し、ロボットのセンサーでシーンの測定を35%高速化できることが示される。
論文 参考訳（メタデータ） (2022-08-17T14:19:33Z) - ViKiNG: Vision-Based Kilometer-Scale Navigation with Geographic Hints [94.60414567852536]
長距離航法には、計画と局所的な移動可能性の推論の両方が必要である。
学習と計画を統合する学習に基づくアプローチを提案する。
ViKiNGは、画像ベースの学習コントローラを利用できる。
論文 参考訳（メタデータ） (2022-02-23T02:14:23Z) - Neural Motion Planning for Autonomous Parking [6.1805402105389895]
本稿では,より深い生成ネットワークと従来の動き計画手法を組み合わせたハイブリッドな動き計画手法を提案する。
提案手法は与えられた状態の表現を効果的に学習し,アルゴリズムの性能向上を示す。
論文 参考訳（メタデータ） (2021-11-12T14:29:38Z) - Risk-Averse MPC via Visual-Inertial Input and Recurrent Networks for
Online Collision Avoidance [95.86944752753564]
本稿では,モデル予測制御(MPC)の定式化を拡張したオンライン経路計画アーキテクチャを提案する。
我々のアルゴリズムは、状態推定の共分散を推論するリカレントニューラルネットワーク(RNN)とオブジェクト検出パイプラインを組み合わせる。
本手法のロバスト性は, 複雑な四足歩行ロボットの力学で検証され, ほとんどのロボットプラットフォームに適用可能である。
論文 参考訳（メタデータ） (2020-07-28T07:34:30Z) - The Importance of Prior Knowledge in Precise Multimodal Prediction [71.74884391209955]
道路にはよく定義された地形、地形、交通規則がある。
本稿では,構造的事前を損失関数として組み込むことを提案する。
実世界の自動運転データセットにおけるアプローチの有効性を実証する。
論文 参考訳（メタデータ） (2020-06-04T03:56:11Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。