RoadRunner -- 自主越野行驶的可行性估计学习
内容提要
该文综述基于航空图像与视觉学习的自主导航方法，包括URA*利用CNN估计可行性并进行不确定性感知规划与快速重规划、RoadTracer从航拍图构建路网，以及WayFAST、WVN等自监督方法利用RGB与深度数据学习越野可通行性，提升复杂地形导航的成功率与安全性。
延伸解读
航空图像与不确定性感知规划
URA*方法利用航空图像进行像素级可行性估计，并集成卷积神经网络模型。其不确定性感知规划器能计算路径，并通过重规划技术实现在线快速重规划。实验表明，该方法在初始路径质量和可行性以及重规划路径质量上均优于传统规划算法，为离线环境下的自主导航提供了新思路。
自监督学习在越野导航中的应用
WayFAST和WVN等自监督方法利用RGB和深度数据学习越野可通行性。WayFAST通过估计轮胎牵引力生成适合行走的路径，能避免几何障碍和不可横跨区域；WVN则能在5分钟内训练机器人穿越复杂户外地形，克服高草障碍。这些方法提升了复杂地形导航的成功率与安全性。
地形牵引力估计与风险感知规划
一项研究通过证据深度学习参数化狄利克雷分布，量化离散牵引分布和牵引预测潜在特征的概率密度，并提出风险感知和平方地球移动距离损失。该方法通过模拟最坏情况下的牵引来处理不确定性，惩罚通过高认知不确定性区域的轨迹，在仿真和真实机器人上验证了改进的导航性能。
Q&A
URA* 方法是如何实现自主越野导航的？
URA* 是一种基于航空图像的不确定性感知路径规划方法。它利用集成的卷积神经网络从航空图像中进行像素级可行性估计，然后应用不确定性感知规划器计算路径，并使用重规划技术实现在线机器人操作中的快速重规划。
RoadTracer 在构建路网方面有什么优势？
RoadTracer 通过基于卷积神经网络的决策函数引导迭代搜索过程，从高分辨率航空图像中自动构建道路网络图。在误差率为 5% 时，相较于分割方法，它能准确捕捉多达 45% 更多的交叉点。
WayFAST 如何学习在户外非结构化环境中导航？
WayFAST 是一种基于自我监督学习的方法，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。它通过估计移动机器人轮胎牵引力，并在在线过程中进行自我监督式算法优化，从而学习避免几何障碍和不可横跨区域（如雪地），并且比其他启发式方法更有效。
Wild Visual Navigation (WVN) 系统有什么特点？
WVN 是一种基于视觉的在线自监督学习系统，用于遍历可行性估计。它可以在户外环境中适应地学习，能在 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。
基于学习的方法如何利用机载图像实现越野导航？
基于学习的方法利用仅通过机载自我中心图像实时预测长距离地形高程图，在复杂和非结构化地形中实现自主越野机器人导航，并优于现有方法。
风险感知规划算法在导航成功率方面有什么改进？
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。在一个高度真实的 Unity 环境中展示表明，该方法在导航成功率方面提供了 30% 的改进。
