GANav : Segmentations de terrain efficace pour la navigation robotique dans des environnements extérieurs non structurés

Nous proposons GANav, un mécanisme d’attention groupée novateur visant à identifier les régions sûres et navigables dans des terrains hors route et des environnements non structurés à partir d’images RGB. Notre approche classe les terrains en fonction de leurs niveaux de navigabilité à l’aide d’une segmentation sémantique à granularité grossière. La perte d’attention groupée que nous introduisons permet à tout réseau de base (backbone) de se concentrer explicitement sur les caractéristiques des différentes catégories, même à une résolution spatiale réduite. Cette conception permet une inférence efficace tout en maintenant un haut niveau de précision par rapport aux méthodes de l’état de l’art (SOTA). Nos évaluations étendues sur les jeux de données RUGD et RELLIS-3D montrent que GANav améliore le mIoU de l’état de l’art de 2,25 à 39,05 % sur RUGD, et de 5,17 à 19,06 % sur RELLIS-3D. Nous intégrons GANav à un algorithme de navigation basé sur l’apprentissage par renforcement profond et mettons en évidence ses avantages en matière de navigation dans des environnements réels non structurés. En intégrant notre algorithme de navigation basé sur GANav aux robots ClearPath Jackal et Husky, nous observons une augmentation de 10 % du taux de réussite, une amélioration de 2 à 47 % dans le choix de la surface présentant la meilleure navigabilité, ainsi qu’une réduction de 4,6 à 13,9 % de la rugosité de la trajectoire. En outre, GANav réduit le taux de faux positifs pour les zones interdites de 37,79 %. Le code source, des vidéos et un rapport technique complet sont disponibles à l’adresse suivante : https://gamma.umd.edu/offroad/.