【论文解读】封闭环境中基于学习3D占据预测的自主导航

标题：Learning-based 3D Occupancy Prediction for Autonomous Navigation
in Occluded Environments
作者：Lizi Wang∗, Hongkai Ye∗, Qianhao Wang, Yuman Gao, Chao Xu and Fei Gao
来源：https://arxiv.org/abs/2011.03981v1
代码：https://github.com/ZJU-FAST-Lab/OPNet

---

摘要

在移动机器人的自主导航中，传感器在复杂的环境中可能会遭到大量的遮挡，从而会给规划过程带来大量未知的空间。在实际情况中，在未知空间中进行规划是无法同时满足轨迹的安全性和侵略性要求。但对于人类来说，通过局部观察来推断障碍物的确切形状，并生成非保守的轨迹，就可以避免在封闭空间内发生可能的碰撞。为了模仿人类这一行为，本文提出了一种基于深度神经网络的方法，可以可靠地预测未知空间的占据情况。具体来说，所提出的方法利用环境的上下文信息并且从先验中学习以预测被遮挡空间中的障碍物分布。使用无标签且没有事实依据的数据来训练我们的网络，并将其成功地应用于看不见的环境中进行实时导航，而无需进行任何改进。结果表明，我们的方法可以在不降低在集群环境速度的情况下提高安全性，从而充分利用了动力学设计器的性能。

使用有限的观察来预测未知可以被认为是场景的一种变体。 但是，当前的场景模型几乎无法实时运行，而且没有一个模型用在诸如导航之类的动态过程中。在本文中，我们提出了占用预测网络（OPNet），它是一种轻量级的3D全卷积网络，具有可负担的计算负担。 它是以一个带有未知空间的简单网格图作为输入，并输出每个单个网格的占用率分类。 此外，我们提供OPNet作为通用的建图插件，以便在混乱的环境中利用自主导航的性能。

本文的主要贡献是：

1. 轻巧而有效的网络模型OPNet，可预测被遮挡空间的3D占用信息。 它接受了有限的感知信息所产生不完整的地图，并实时推断出未知空间的占用信息。 我们的方法的训练数据可以从真实世界的数据中生成，而无需地注或标签。
2. 使用预测地图进行规划的方法。 我们将