Mar, 2022

WayFAST: 地面行进预测导航

PDF
TL;DRWayFAST（无路标自主系统）是一种基于自我监督学习方法，使用 RGB 和深度数据以及导航经验，在户外非结构化环境中自动生成适合行走的路径，通过对移动机器人轮胎牵引力的估计以及基于牵引力估计的在线过程中进行自我监督式的算法优化，能够学习避免几何障碍和不可横跨区域 (如雪地) 的有效方法，并且比其他启发式方法更有效。
self-supervised learningmobile robotstraversable pathswayfastnavigation
发现论文，激发创造
  • 野外视觉导航中的快速遍历估计

    本文提出了一种基于视觉的在线自监督学习系统 - Wild Visual Navigation（WVN），用于遍历可行性估计，并且可以在户外环境中适应地学习，可以在 5 分钟以内训练机器人，使其能够穿越复杂的户外地形，并克服高草障碍。

    May, 2023

  • 野外视觉导航：利用预训练模型和在线自监督实现快速遍历能力学习

    本研究介绍了一种自适应自主学习系统，用于视觉可穿越性估计并通过机器人导航复杂的户外环境，实现了高效准确的自主导航。

    Apr, 2024

  • 从模拟中学习地面可通行性

    该研究论文介绍了一种基于卷积神经网络的高程图分类方法，在模拟环境中训练唯一的分类器来预测机器人在不同地形上的通过性，并在室内和室外环境中进行真实机器人验证。

    Sep, 2017

  • ScaTE: 一种用于不规则环境中自监督遍历估计的可扩展框架

    本研究提出了一种可伸缩的无需人类监督的自我监督遍历性学习框架，该框架可从车辆 - 地形交互中直接学习遍历性，它还使用适当的控制策略来进行不同车辆的自适应导航。

    Sep, 2022

  • 通过学习速度分布图实现风险感知越野导航

    本文提出了一种基于机器人速度的可穿越性新表示方法，该方法可通过对数据的学习获得，可以轻松地与各种规划范例相结合，并且在成本图的形式下提供风险感知成本项。数值模拟表明，该风险感知规划算法导致平均到达目标的时间更快，并且 Planner 可以调节为稍慢但方差较低的行为。此外，该方法在一个高度真实的 Unity 环境中得到了展示，并表明其在导航成功率方面提供了 30％的改进。

    Mar, 2022

  • 策略性回溯：视觉语言导航中通过回溯进行自我纠正

    本文介绍一种前沿感知的搜索方法，可以在 Room-to-Room 视觉与语言导航挑战中实现全球指标的路径搜索和动作决策，相较于现有算法，在 Success Rate Weighted by Path Length (SPL) 的指标上有了 6％的绝对收益和 17％的相对性提升。

    Mar, 2019

  • 仅利用自我监督学习越野路面可行性

    本文提出了一种基于自我监督的图像学习方法来训练自主车辆在各种条件下准确地遍历地形，通过生成自我监督的地形穿越标签和使用一元分类算法来识别能够安全穿越的地形，结合视觉表征的自我监督方法，在各种驾驶环境和感知条件下进行全面评估。

    May, 2023

  • 具条件上下文导航的基于学习的地形和机器人感知动力学模型

    在自主导航设置中，考虑到变化，我们开发了一种新颖的综合地形和机器人信息的前向动力学模型 TRADYN，它基于神经过程的元学习前向动力学模型，能够适应各种变化情况，并在实验中表现出更好的长时轨迹预测和导航计划性能。

    Jul, 2023

  • RoadRunner -- 自主越野行驶的可行性估计学习

    在本研究中，我们提出了一种名为 RoadRunner 的新框架，该框架能够从相机和 LiDAR 传感器输入中直接预测地形可通行性和高程图，通过融合传感器信息、处理不确定性和生成具有上下文信息的预测，实现可靠的自主导航，并减少系统延迟并提高可靠性。

    Feb, 2024

  • MFTraj: 自主驾驶的无地图、行为驱动轨迹预测

    这篇论文介绍了一种适用于自主驾驶的轨迹预测模型，重点是在动态交通场景中捕捉复杂的交互作用，而无需依赖高清地图。该模型被称为 MFTraj，利用历史轨迹数据结合新颖的基于动态几何图的行为感知模块。在其核心部分，一种自适应的结构感知交互图卷积网络捕捉道路用户的位置和行为特征，保留了空间 - 时间的复杂性。通过线性注意机制的增强，该模型实现了计算效率和降低参数开销。在 Argoverse、NGSIM、HighD 和 MoCAD 数据集上的评估证明了 MFTraj 的鲁棒性和适应性，在数据有限的场景下，甚至无需额外信息（如高清地图或矢量化地图），也能胜过许多基准模型。重要的是，即使在存在大量缺失数据的情况下，其性能与大多数现有的最先进模型相当。结果和方法表明，在自主驾驶轨迹预测方面取得了显著进步，为更安全、更高效的自主系统铺平了道路。

    May, 2024