关于非结构下

admin管理员组

文章数量:1794759

关于非结构下

关于非结构环境下的自主导航综述

Scate：一个在非结构化环境中进行自我监督可遍历性估计的可扩展框架 RA-L（.06522）

仅通过自我监督 RA-L 学习越野地形可穿越性。（.18896） 元界：越野导航的元学习可遍历性成本图，IROS 2024。（.13991）

DA-RAW：真实世界恶劣天气条件的域自适应对象检测，ICRA 2024。（.08152）

UFO：用于越野语义地形地图估计的不确定性感知 LiDAR 图像融合，IV 2024。（.02642）

具有不确定性感知贝叶斯核推理的越野环境中的证据语义映射，IROS 2024。（.14138） 使用概率集成神经网络动力学桥接主动探索和不确定性感知部署，RSS 2023。（.12240）

作者：

Junwon Seo

根据以上论文，作者在基于非结构化地形的自主导航和避障发表了多篇论文，主要的内容分别有以下方面：

1 一种基于自监督更高效的语义分割和识别，通过引入自监督方案，有效的克服了传统网络只能利用现有数据进行训练，从而导致泛化效果差，训练数据难以标注等多种问题

2 一种基于自监督的可传越性的地形辨认，传统的越野地形的可传越性是基于现有的数据标注，这样的训练和模型会导致对于广阔的没有被标注的越野环境的可适用性差，因此作者提出了一种基于自我监督的，非全标注的模型训练方法，这种方法可以有效提高的越野导航的泛化性和实用性，并且基于在线和非在线进行数据的合并和验证。

3.基于不同天气情况的检测

4.图像和雷达的融合，同时引入一种自主学习的导航方法，通过这种学习模型，多次训练后可自主实现避障。

5.基于语义分割和贝叶斯核推理的的语义导航，将地形经过网络的训练导出的是可穿越的语义导航，越野车可以在这些已经确定好的语义分割地图上前进，通过贝叶斯的处理，使地形的语义可视化。这种方法不仅在这里出现，在eth和英伟达最新的合作四足机器人中也使用了类似的方法，也就是基于语义分割的区域可通行性判断：

ViPlanner：本地导航的视觉语义命令式学习 .00982

6.对于规划路线的实时修正和更改

**

以上文章带来的思考：

在月面的环境就类似于这种越野环境，非机构化的地形。基于语义分割，将RGB获得的图像实现可通行区域的遍历，基于自监督的情况进行可通行区域的遍历，实现最后的导航，并可以通过实时的地图构建。

**

其他参考：

在不平坦地形上自主无地图导航 ICRA2024(.13443v1)

这种方法采用的是稀疏高斯，将lidar和rgb图

像融合后投影在稀疏高斯的平面上最后进行

判断可通行区域：代码没有公开

越野环境中的混合地形可穿越性分析 ICARA2022

这种方法我认为是以上方法的鼻祖，以上方法都是基于这种方法进行改进：

通过RGB图像和lidar融合，生成 2.5D高程图像，对高程图像进行分析，从而判断可通行区域，但是这个路径规划的方法是基于快速搜索树，而生成2.5D高程地图的思想最早是在ETH的四足机器人项目中出现，用于翻越具有高度的障碍从而提出的一种3d高程地图思想。

改进措施

以上的方法都是基于雷达和图像进进行融合， 实现语义分割和高程地图，对可通行区域进行遍历和搜索，那么也没有一种纯图像的方法实现高程地图的构建和高精度的语义地图分割，并可以采用自监督方法实现可迁移性和泛化性，与此同时，通过在线和离线地图，实现地图的学习和路径的学习从而优化。

本文标签： 关于非结构下