本文提出了一种基于高斯工艺GP基地分割方法，该方法在概率框架中完全开发。所提出的方法倾向于获得地面的连续现实模型。 LIDAR三维点云数据用作输入数据的唯一来源。考虑到数据的物理现实，以适当地分类倾斜地面以及平板。此外，与传统的地面分割方法不同，不需要应用算法所需的高度或距离约束或限制，以考虑地面的所有关于地面的物理行为。此外，定义密度样参数以处理地面候选集中的地面状障碍点。非静止协方差内核功能用于高斯过程，通过最大后验标准应用贝叶斯推断。假设对数边缘似然函数是多任务目标函数，以表示每个帧的整个帧的非偏见视图。仿真结果表明了所提出的方法的有效性，即使在不均匀的粗糙场景中，也优于基于Gaussian进程的地分割方法。
translated by 谷歌翻译
在使用3D LiDAR传感器的3D感知领域中，地面分割是各种目的的必不可少的任务，例如可穿越的区域检测和对象识别。在这种情况下，已经提出了几种地面分割方法。但是，仍然遇到一些限制。首先，某些地面分割方法需要根据周围环境进行微调，这是过于费力且耗时的。此外，即使参数进行了充分的调整，部分分割问题仍然可能出现，这意味着某些地区的地面细分失败。最后，当地面在另一个结构（例如固定壁）之上时，地面分割方法通常无法估计适当的接地平面。为了解决这些问题，我们提出了一种称为PatchWork ++的强大地面分割方法，该方法是拼布的扩展。 Patchwork ++利用自适应地面可能性估计（A-GLE），根据先前的地面分割结果适应适当的参数。此外，暂时的地面还原（TGR）通过使用临时地面财产来减轻部分不及分段问题。同样，即使用不同的层抬高地面，也会引入区域垂直平面拟合（R-VPF），以正确分割接地平面。最后，我们提出反射的噪声去除（RNR），以根据3D激光雷达反射模型有效地消除虚拟噪声点。我们使用Semantickitti数据集证明了定性和定量评估。我们的代码可从https://github.com/url-kaist/patchwork-plusplus获得
translated by 谷歌翻译
自动驾驶的车辆和自动地面机器人需要一种可靠，准确的方法来分析周围环境的遍历以进行安全导航。本文提出并评估了一种基于机器学习的遍历性分析方法，该方法将基于SVM分类器的混合方法中的几何特征与基于外观的特征相结合。特别是，我们表明，整合一组新的几何和视觉特征并专注于重要的实施细节，可以显着提高性能和可靠性。已提出的方法已与最先进的深度学习方法进行了比较。在不同的复杂性方面，它的准确性为89.2％，表明其有效性和鲁棒性。该方法在CPU上完全运行，并在其他方法方面达到可比的结果，运行速度更快，并且需要更少的硬件资源。
translated by 谷歌翻译
Mapping with uncertainty representation is required in many research domains, such as localization and sensor fusion. Although there are many uncertainty explorations in pose estimation of an ego-robot with map information, the quality of the reference maps is often neglected. To avoid the potential problems caused by the errors of maps and a lack of the uncertainty quantification, an adequate uncertainty measure for the maps is required. In this paper, uncertain building models with abstract map surface using Gaussian Process (GP) is proposed to measure the map uncertainty in a probabilistic way. To reduce the redundant computation for simple planar objects, extracted facets from a Gaussian Mixture Model (GMM) are combined with the implicit GP map while local GP-block techniques are used as well. The proposed method is evaluated on LiDAR point clouds of city buildings collected by a mobile mapping system. Compared to the performances of other methods such like Octomap, Gaussian Process Occupancy Map (GPOM) and Bayersian Generalized Kernel Inference (BGKOctomap), our method has achieved higher Precision-Recall AUC for evaluated buildings.
translated by 谷歌翻译
根据一般静态障碍物检测的要求，本文提出了无人接地车辆局部静态环境的紧凑型矢量化表示方法。首先，通过融合LiDAR和IMU的数据，获得了高频姿势信息。然后，通过二维（2D）障碍物点的生成，提出了具有固定尺寸的网格图维护过程。最后，通过多个凸多边形描述了局部静态环境，该多边形实现了基于双阈值的边界简化和凸多边形分割。我们提出的方法已应用于公园的一个实用无人驾驶项目中，典型场景的定性实验结果验证了有效性和鲁棒性。此外，定量评估表明，与传统的基于网格地图的方法相比，使用较少的点信息（减少约60％）来代表局部静态环境。此外，运行时间（15ms）的性能表明，所提出的方法可用于实时局部静态环境感知。可以在https://github.com/ghm0819/cvr_lse上访问相应的代码。
translated by 谷歌翻译
本文介绍了3D越野地形环境的安全，高效和敏捷的地面车导航算法。越野导航受到3D地形拓扑顶部不同地形条件引起的不确定的车辆 - 透水相互作用。现有的作品仅限于采用过度简化的车辆模型。拟议的算法从驱动数据中学习了地形引起的不确定性，并将学习的不确定性分布编码到路径评估的遍历成本中。然后，设计导航路径以优化不确定性吸引的横穿性成本，从而导致安全而敏捷的车辆操纵。确保实时执行，该算法将在图形处理单元（GPU）上运行的并行计算体系结构中进一步实现。
translated by 谷歌翻译
地面机器人的自主导航已被广泛用于室内结构化的2D环境中，但是在室外3D非结构化环境中，仍然存在许多挑战，尤其是在粗糙的，不均匀的地形中。本文提出了一个基于飞机拟合的不平衡地形导航框架（PUTN）来解决此问题。 PUTN的实施分为三个步骤。首先，基于迅速探索的随机树（RRT），提出了一种改进的基于样本的算法，称为平面拟合RRT*（PF-RRT*）以获得稀疏的轨迹。每个采样点对应于点云上的自定义遍历索引和拟合平面。这些平面串联连接以形成可穿越的条带。其次，高斯过程回归用于生成从稀疏轨迹插值的密集轨迹的遍历，并将采样树用作训练集。最后，使用非线性模型预测控制（NMPC）进行本地计划。通过将遍历性索引和不确定性添加到成本函数中，并将实时点云产生的障碍物添加到约束功能中，可以使用平稳的速度和强大的稳健性的安全运动计划算法。在实际情况下进行实验以验证该方法的有效性。源代码发布以供社区参考。
translated by 谷歌翻译
本文提出了一种新颖的方法，用于在具有复杂拓扑结构的地下领域的搜索和救援行动中自动合作。作为CTU-Cras-Norlab团队的一部分，拟议的系统在DARPA SubT决赛的虚拟轨道中排名第二。与专门为虚拟轨道开发的获奖解决方案相反，该建议的解决方案也被证明是在现实世界竞争极为严峻和狭窄的环境中飞行的机上实体无人机的强大系统。提出的方法可以使无缝模拟转移的无人机团队完全自主和分散的部署，并证明了其优于不同环境可飞行空间的移动UGV团队的优势。该论文的主要贡献存在于映射和导航管道中。映射方法采用新颖的地图表示形式 - 用于有效的风险意识长距离计划，面向覆盖范围和压缩的拓扑范围的LTVMAP领域，以允许在低频道通信下进行多机器人合作。这些表示形式与新的方法一起在导航中使用，以在一般的3D环境中可见性受限的知情搜索，而对环境结构没有任何假设，同时将深度探索与传感器覆盖的剥削保持平衡。所提出的解决方案还包括一条视觉感知管道，用于在没有专用GPU的情况下在5 Hz处进行四个RGB流中感兴趣的对象的板上检测和定位。除了参与DARPA SubT外，在定性和定量评估的各种环境中，在不同的环境中进行了广泛的实验验证，UAV系统的性能得到了支持。
translated by 谷歌翻译
数字地形模型（DTM）是城市，环境和地球科学各种研究的基本地理空间数据。从此类研究获得的结果的可靠性可能会受到基础DTM的错误和不确定性的重大影响。已经开发了许多算法来减轻DTM的错误和不确定性。但是，大多数算法都涉及棘手的参数选择和使该算法的决策规则掩盖的复杂过程，因此通常很难解释和预测所得DTM的错误和不确定性。同样，以前的算法通常考虑每个点的局部邻域以区分非地面对象，这限制了搜索半径和上下文理解，并且可能会易于错误，尤其是在点密度变化的情况下。这项研究提出了一种用于机载激光雷达数据的开源DTM生成算法，该算法可以考虑到本地邻域之外，并且易于解释，可预测和可靠的结果。该算法的关键假设是，地面是平稳连接的，而非地面被带有急剧高度变化的区域所包围。与其他最先进的算法相比，通过平铺评估评估了所提出算法的鲁棒性和独特性。
translated by 谷歌翻译
从3D点云中对可遍历区域和感兴趣的对象的感知是自主导航中的关键任务之一。一辆地面车辆需要寻找可以通过车轮探索的可遍历的地形。然后，为了做出安全的导航决定，必须跟踪位于这些地形上的物体的分割。但是，过度分割和分割不足可能会对此类导航决策产生负面影响。为此，我们提出了旅行，该行程使用3D点云的图表表示可遍历的地面检测和对象聚类。为了将可穿越的接地段分割，将点云编码为图形结构，即三个格里德字段，该场将每个三个格里德视为节点。然后，通过检查连接节点的边缘的局部凸度和凹度来搜索和重新定义可遍历的区域。另一方面，我们的地上对象分割通过表示球形预测空间中的一组水平相邻的3D点作为节点和节点之间的垂直/水平关系，以使用图形结构。充分利用节点边缘结构，上面的分割可确保实时操作并减轻过度分割。通过使用模拟，城市场景和我们自己的数据集的实验，我们已经证明，根据常规指标，我们提出的遍历地面分割算法优于其他最新方法，并且我们新提出的评估指标对于评估是有意义的地上细分。我们将在https://github.com/url-kaist/travel上向公开提供代码和自己的数据集。
translated by 谷歌翻译
尽管常规机器人系统中的每个不同任务都需要专用的场景表示形式，但本文表明，统一表示形式可以直接用于多个关键任务。我们提出了用于映射，进程和计划（LOG-GPIS-MOP）的log-gaussian过程隐式表面：基于统一表示形式的表面重建，本地化和导航的概率框架。我们的框架将对数转换应用于高斯过程隐式表面（GPIS）公式，以恢复全局表示，该表示可以准确地捕获具有梯度的欧几里得距离场，同时又是隐式表面。通过直接估计距离字段及其通过LOG-GPIS推断的梯度，提出的增量进程技术计算出传入帧的最佳比对，并在全球范围内融合以生成MAP。同时，基于优化的计划者使用相同的LOG-GPIS表面表示计算安全的无碰撞路径。我们根据最先进的方法验证了2D和3D和3D和基准测试的模拟和真实数据集的拟议框架。我们的实验表明，LOG-GPIS-MOP在顺序的音程，表面映射和避免障碍物中产生竞争结果。
translated by 谷歌翻译
传统的LIDAR射测（LO）系统主要利用从经过的环境获得的几何信息来注册激光扫描并估算Lidar Ego-Motion，而在动态或非结构化环境中可能不可靠。本文提出了Inten-loam，一种低饮用和健壮的激光镜和映射方法，该方法完全利用激光扫描的隐式信息（即几何，强度和时间特征）。扫描点被投影到圆柱形图像上，这些图像有助于促进各种特征的有效和适应性提取，即地面，梁，立面和反射器。我们提出了一种新型基于强度的点登记算法，并将其纳入LIDAR的探光仪，从而使LO系统能够使用几何和强度特征点共同估计LIDAR EGO-MOTION。为了消除动态对象的干扰，我们提出了一种基于时间的动态对象删除方法，以在MAP更新之前过滤它们。此外，使用与时间相关的体素网格滤波器组织并缩减了本地地图，以维持当前扫描和静态局部图之间的相似性。在模拟和实际数据集上进行了广泛的实验。结果表明，所提出的方法在正常驾驶方案中实现了类似或更高的精度W.R.T，在非结构化环境中，最先进的方法优于基于几何的LO。
translated by 谷歌翻译
准确的轨道位置是铁路支持驱动系统的重要组成部分，用于安全监控。激光雷达可以获得携带铁路环境的3D信息的点云，特别是在黑暗和可怕的天气条件下。在本文中，提出了一种基于3D点云的实时轨识别方法来解决挑战，如无序，不均匀的密度和大量点云的挑战。首先呈现Voxel Down-采样方法，用于铁路点云的密度平衡，并且金字塔分区旨在将3D扫描区域划分为具有不同卷的体素。然后，开发了一个特征编码模块以找到最近的邻点并聚合它们的局部几何特征。最后，提出了一种多尺度神经网络以产生每个体素和轨道位置的预测结果。该实验是在铁路的3D点云数据的9个序列下进行的。结果表明，该方法在检测直，弯曲和其他复杂的拓扑轨道方面具有良好的性能。
translated by 谷歌翻译
封闭曲线的建模和不确定性量化是形状分析领域的重要问题，并且可以对随后的统计任务产生重大影响。这些任务中的许多涉及封闭曲线的集合，这些曲线通常在多个层面上表现出结构相似性。以有效融合这种曲线间依赖性的方式对多个封闭曲线进行建模仍然是一个具有挑战性的问题。在这项工作中，我们提出并研究了一个多数输出（又称多输出），多维高斯流程建模框架。我们说明了提出的方法学进步，并在几个曲线和形状相关的任务上证明了有意义的不确定性量化的实用性。这种基于模型的方法不仅解决了用内核构造对封闭曲线（及其形状）的推断问题，而且还为通常对功能对象的多层依赖性的非参数建模打开了门。
translated by 谷歌翻译
映射近场污染物的浓度对于跟踪城市地区意外有毒羽状分散体至关重要。通过求解大部分湍流谱，大型模拟（LES）具有准确表示污染物浓度空间变异性的潜力。找到一种合成大量信息的方法，以提高低保真操作模型的准确性（例如，提供更好的湍流封闭条款）特别有吸引力。这是一个挑战，在多质量环境中，LES的部署成本高昂，以了解羽流和示踪剂分散如何随着各种大气和源参数的变化。为了克服这个问题，我们提出了一个合并正交分解（POD）和高斯过程回归（GPR）的非侵入性降低阶模型，以预测与示踪剂浓度相关的LES现场统计。通过最大的后验（MAP）过程，GPR HyperParameter是通过POD告知的最大后验（MAP）过程来优化组件的。我们在二维案例研究上提供了详细的分析，该案例研究对应于表面安装的障碍物上的湍流大气边界层流。我们表明，障碍物上游的近源浓度异质性需要大量的POD模式才能得到充分捕获。我们还表明，逐组分的优化允许捕获POD模式中的空间尺度范围，尤其是高阶模式中较短的浓度模式。如果学习数据库由至少五十至100个LES快照制成，则可以首先估算所需的预算，以朝着更逼真的大气分散应用程序迈进，因此减少订单模型的预测仍然可以接受。
translated by 谷歌翻译
机器人车使用成本图来规划无碰撞路径。与地图中的每个单元相关的成本表示感知的环境信息，这些信息通常是在经过几次反复试验后手动确定的。在越野环境中，由于存在几种类型的功能，将与每个功能相关的成本值进行手工制作是挑战。此外，不同手工制作的成本值可以导致相同环境的不同路径，而不可取的环境。在本文中，我们解决了从感知的稳健车辆路径计划中学习成本图值的问题。我们使用深度学习方法提出了一个名为“骆驼”的新颖框架，该方法通过演示来学习参数，从而为路径规划提供适应性和强大的成本图。骆驼已接受过多模式数据集的培训，例如Rellis-3D。骆驼的评估是在越野场景模拟器（MAV）和IISER-B校园的现场数据上进行的。我们还在地面流动站上执行了骆驼的现实实施。结果表明，在非结构化的地形上没有碰撞的情况下，车辆的灵活而强大的运动。
translated by 谷歌翻译
自动化驾驶系统（广告）开辟了汽车行业的新领域，为未来的运输提供了更高的效率和舒适体验的新可能性。然而，在恶劣天气条件下的自主驾驶已经存在，使自动车辆（AVS）长时间保持自主车辆（AVS）或更高的自主权。本文评估了天气在分析和统计方式中为广告传感器带来的影响和挑战，并对恶劣天气条件进行了解决方案。彻底报道了关于对每种天气的感知增强的最先进技术。外部辅助解决方案如V2X技术，当前可用的数据集，模拟器和天气腔室的实验设施中的天气条件覆盖范围明显。通过指出各种主要天气问题，自主驾驶场目前正在面临，近年来审查硬件和计算机科学解决方案，这项调查概述了在不利的天气驾驶条件方面的障碍和方向的障碍和方向。
translated by 谷歌翻译
在本文中，我们提出了一种通过基于球形网格的预处理步骤来减轻激光扫描匹配中阴影错误的方法。由于网格与LiDAR束对齐，因此消除阴影边缘相对容易，从而导致LiDAR扫描匹配的系统错误。正如我们通过仿真所示，我们提出的算法比地面平面去除算法是最常见的减轻阴影策略。与拆除地面平面不同，我们的方法适用于任意地形（例如，城市墙壁上的阴影，丘陵地形的阴影），同时将钥匙雷达点保留在地面上，这对于估计高度，音高和滚动的变化至关重要。我们的预处理算法可以与一系列扫描匹配方法一起使用。但是，对于基于体素的扫描匹配方法，它通过降低计算成本和在体素之间更均匀分配激光点来提供额外的好处。
translated by 谷歌翻译
我们提出了地形遍历映射（TTM），是一个非结构化环境中自主挖掘机的地形推动性估算和路径规划的实时映射方法。我们提出了一种高效的基于学习的几何方法，可以从RGB图像和3D PointClouds中提取地形特征，并将它们纳入全球地图以进行自主挖掘的规划和导航。我们的方法使用了挖掘机的物理特性，包括最大攀爬程度和其他机器规格，以确定可遍历的区域。我们的方法可以适应更改环境并实时更新地形信息。此外，我们准备了一个小说数据集，自主挖掘机地形（AET）数据集，由来自施工站点的RGB图像，根据导航性，七个类别。我们将我们的映射方法与自动挖掘机导航系统中的规划和控制模块集成在一起，这在基于现有规划计划的成功率方面优于前面的方法49.3％。通过我们的映射，挖掘机可以通过由深坑，陡峭的山丘，岩石桩和其他复杂地形特征的非结构化环境导航。
translated by 谷歌翻译
监测草原的健康和活力对于告知管理决策至关优化农业应用中的旋转放牧的态度至关重要。为了利用饲料资源，提高土地生产力，我们需要了解牧场的增长模式，这在最先进的状态下即可。在本文中，我们建议部署一个机器人团队来监测一个未知的牧场环境的演变，以实现上述目标。为了监测这种环境，通常会缓慢发展，我们需要设计一种以低成本在大面积上快速评估环境的策略。因此，我们提出了一种集成管道，包括数据综合，深度神经网络训练和预测以及一个间歇地监测牧场的多机器人部署算法。具体而言，使用与ROS Gazebo的新型数据综合耦合的专家知识的农业数据，我们首先提出了一种新的神经网络架构来学习环境的时空动态。这种预测有助于我们了解大规模上的牧场增长模式，并为未来做出适当的监测决策。基于我们的预测，我们设计了一个用于低成本监控的间歇多机器人部署策略。最后，我们将提议的管道与其他方法进行比较，从数据综合到预测和规划，以证实我们的管道的性能。
translated by 谷歌翻译