[论文解读] Planning Paths Through Unknown Space by Imagining What Lies Therein

Yutao Han, Jacopo Banfi+1 more|arXiv (Cornell University)|Nov 14, 2020

Robotics and Sensor-Based Localization参考文献 25被引用 5

一句话总结

本文提出了一种新颖的路径规划框架，利用基于生成对抗网络（GAN）的图像修复技术，推断部分点云地图中被遮挡区域的语义标签，使机器人能够在未知的城市环境中提前预判障碍物，并规划出更高效的路径。通过从单传感器扫描中生成更具信息量的障碍物地图，该方法相比乐观基线规划，将路径长度、重规划频率和路径失败次数减少了最多50%。

ABSTRACT

This paper presents a novel framework for planning paths in maps containing unknown spaces, such as from occlusions. Our approach takes as input a semantically-annotated point cloud, and leverages an image inpainting neural network to generate a reasonable model of unknown space as free or occupied. Our validation campaign shows that it is possible to greatly increase the performance of standard pathfinding algorithms which adopt the general optimistic assumption of treating unknown space as free.

研究动机与目标

• 解决由于传感器限制导致遮挡或未知空间而带来的室外城市环境中路径规划的挑战。
• 改进标准的乐观假设（即所有未知单元格均视为自由空间），该假设会导致频繁重规划和路径失败。
• 使机器人能够利用语义上下文推理未见空间，模拟人类导航中的前瞻能力。
• 开发一种数据驱动的框架，从部分传感器输入生成更具信息量的障碍物地图，以实现稳健的路径规划。
• 验证图像修复在复杂、遮挡密集场景中减少路径长度、重规划频率和路径失败发现次数的有效性。

提出的方法

• 该方法以单个激光雷达扫描或立体图像对的语义标注点云作为输入。
• 将点云投影到鸟瞰图（BEV）表示中，生成带有未标记（未知）区域的二维占用图。
• 应用基于生成对抗网络（GAN）的图像修复网络，预测未知像素的语义标签，生成更完整且合理的障碍物地图。
• 将修复后的地图转换为障碍物地图（自由空间 = 白色，障碍物 = 黑色），供标准路径查找算法使用。
• 该框架与经典规划器（如A*）集成，利用修复后的地图在在线探索前引导路径选择。
• 构建了一个包含语义标注和遮挡的室外城市场景自定义数据集，用于训练图像修复网络。

实验结果

研究问题

• RQ1 图像修复能否有效用于推断部分地图中遮挡区域的合理语义布局，从而提升路径规划性能？
• RQ2 与标准的乐观假设（将未知区域视为自由空间）相比，使用修复地图在路径效率和重规划频率方面表现如何？
• RQ3 所提出的框架在多大程度上减少了因遇到意外障碍物而必须重规划的次数？
• RQ4 图像修复方法的性能增益是否随着场景复杂度和遮挡密度的增加而提升？
• RQ5 该框架是否能够预测背景类别（如建筑物）后的障碍物，而不仅限于前景物体，从而提升导航的前瞻能力？

主要发现

• 在中等和复杂场景试验中，与乐观基线相比，修复地图将路径步数减少了20%至30%，尤其在遮挡密集的环境中收益最大。
• 使用修复地图后，重规划次数最多减少了30%，尤其在起点随机且场景复杂的试验中表现显著。
• 在最复杂的场景（图像285）中，基线的路径失败前平均重规划次数为42.6次，而使用修复方法后降至40.7次，表明能更早检测到路径不可行性。
• 在简单场景（图像45）中，基线表现略优于修复方法，原因在于遮挡极少，证实本方法的价值随场景复杂度提升而增强。
• 该框架显著减少了机器人绕行或误入死路的次数，视觉对比显示修复地图成功避免了被墙填充的空隙。
• 在大多数试验中，该方法的路径长度仅比真实最短路径长10%至20%，即使在具有挑战性的场景中也表现出色。