利用隱式場景表徵的不確定性增強視覺導航的探索能力

Concepts de base

該研究提出了一種名為 NUE 的端到端視覺運動導航框架，利用 NeRF 場景表徵的不確定性來增強機器人在未知環境中探索和導航到目標的能力。

Résumé

NUE: 利用 NeRF 不確定性增強機器人視覺導航

這篇研究論文介紹了一種名為 NUE（基於不確定性驅動探索的導航）的新型端到端視覺運動導航框架。NUE 旨在增強機器人在未知環境中探索和導航到目標的能力。

研究背景

現有的認知導航框架主要關注機器人在目標導航階段（即 exploitation）的表現，而忽略了對其探索行為（exploration）的設計。然而，在陌生環境中尋找目標時，探索對於建立認知至關重要。

NUE 框架

NUE 框架利用 NeRF（神經輻射場）作為其記憶結構，並通過估計 NeRF 的不確定性來增強機器人的探索能力。該框架包含三個關鍵流程：

1. 線上認知生成： 機器人將環境的實時感知信息存儲在 NeRF 中，從而提供空間認知。
2. 線上認知提取： 利用 ResNet 和 CBAM 從 NeRF 生成的空間信息和不確定性中提取特徵，並生成相應的探索和目標導航策略。
3. 多重思維整合： 從實時圖像輸入中提取感知特徵，然後將其與不確定性特徵和空間特徵融合，以通過神經控制器生成導航動作。

探索性思維生成

為了生成探索性思維，NUE 從 NeRF 中提取不確定性特徵。NeRF 輸出的不確定性被渲染成不確定性地圖，該地圖反映了 NeRF 對當前視角下場景不同區域的熟悉程度。然後，使用 ResNet 網絡和 CBAM 注意力機制從不確定性地圖中提取特徵，以指導機器人探索未知區域。

目標導航性思維生成

為了生成目標導航性思維，NUE 從 NeRF 中提取空間特徵。通過對 NeRF 中間層生成的體素密度和顏色特徵進行體素渲染，生成壓縮的空間特徵圖。然後將目標 RGB 圖像與空間特徵圖連接，並使用 ResNet 塊和 CBAM 注意力機制進行特徵提取，以增強機器人在目標導航階段的導航能力。

實驗結果

在 iGibson 環境中進行的圖像目標導航任務實驗結果表明，與現有的認知記憶結構相比，NUE 能夠顯著提高導航性能，尤其是在高度依賴探索的複雜場景中。

總結

NUE 框架通過利用 NeRF 場景表徵的不確定性，有效地增強了機器人在未知環境中的探索能力，並實現了從探索到目標導航的自然過渡，從而提高了導航效率。

Stats

訓練場景分為三個難度級別：簡單（1.5 公尺 - 3.0 公尺）、中等（3.0 公尺 - 5.0 公尺）和困難（5.0 公尺 - 10.0 公尺）。
每個場景的最大時間步長設定為 800 步。
當機器人到達距離目標 0.8 公尺的範圍內時，視為成功。
評估指標包括：成功率 (SR)、路徑長度加權成功率 (SPL) 和距離目標的距離 (DTS)。

Citations

"現有的認知導航框架主要關注機器人在目標導航階段的表現，而忽略了對其探索行為的設計。"
"我們打算使用隱式場景表徵作為我們導航管道的記憶結構，特別強調增強機器人的探索能力。"
"我們的模型成功地平衡了探索性和目標導航性思維，實現了探索和目標導航階段之間的無縫整合。"

Idées clés tirées de

Enhancing Exploratory Capability of Visual Navigation Using Uncertainty of Implicit Scene Representation

by Yichen Wang,... à arxiv.org 11-07-2024

https://arxiv.org/pdf/2411.03487.pdf

Questions plus approfondies

除了 NeRF 之外，還有哪些其他場景表徵方法可以用於增強機器人導航的探索能力？

除了 NeRF 之外，還有許多其他場景表徵方法可以用於增強機器人導航的探索能力，以下列舉幾種：

佔用地圖 (Occupancy Map): 佔用地圖是一種經典的場景表徵方法，它將環境劃分為網格，並使用概率值表示每個網格是否被佔用。機器人可以利用佔用地圖的信息來規劃避開障礙物的路徑，並探索未知區域。
拓撲地圖 (Topological Map): 拓撲地圖將環境表示為節點和邊的圖，其中節點代表不同的地點，邊代表地點之間的連接關係。機器人可以利用拓撲地圖的信息來進行全局路徑規劃，並探索新的地點。
語義地圖 (Semantic Map): 語義地圖在佔用地圖或拓撲地圖的基礎上，添加了語義信息，例如物體类别、位置和屬性等。機器人可以利用語義地圖的信息來執行更高級的導航任務，例如尋找特定類型的物體或地點。
基於深度學習的場景表徵方法: 近年來，深度學習也被應用於場景表徵，例如：

VoxelNet: VoxelNet 使用三維卷積神經網絡來處理點雲數據，並生成場景的三維體素表示。
PointNet++: PointNet++ 是一種基於點雲的深度學習模型，它可以直接處理點雲數據，並提取場景的全局和局部特徵。
與 NeRF 相比，這些方法各有優缺點。例如，佔用地圖和拓撲地圖相對簡單，易於構建和維護，但它們缺乏對場景細節的描述。語義地圖可以提供更豐富的場景信息，但構建和維護成本更高。基於深度學習的場景表徵方法可以學習更複雜的場景表示，但需要大量的訓練數據。
選擇合適的場景表徵方法需要根據具體的應用場景和需求進行考慮。

如果環境中存在動態障礙物，NUE 框架將如何應對？

NUE 框架在處理動態障礙物方面會面臨一些挑戰，因為 NeRF 本身更擅長於表徵靜態場景。以下是一些可能的應對方法：

動態 NeRF： 可以考慮使用動態 NeRF 方法，例如 NeRF-W 或 ST-NeRF，這些方法可以將時間信息納入 NeRF 模型中，從而表徵動態場景。
結合傳統方法： 可以將 NUE 框架與傳統的動態障礙物處理方法相結合，例如：

動態窗口法： 在規劃路徑時，只考慮機器人周圍一定範圍內的動態障礙物。
速度障礙法： 根據障礙物的速度和方向，構建速度障礙區域，機器人規劃路徑時需要避開這些區域。

多传感器融合： 可以結合其他傳感器的信息，例如激光雷達或深度相機，來更準確地感知動態障礙物。
總之，處理動態障礙物需要對 NUE 框架進行一些改進和擴展，例如使用動態 NeRF 模型、結合傳統方法或進行多传感器融合。

如何將 NUE 框架的思想應用於其他機器人任務，例如物體搜索和抓取？

NUE 框架的核心思想是利用場景表徵的不確定性來指導機器人進行探索，這種思想可以應用於其他機器人任務，例如物體搜索和抓取。

物體搜索：

可以將目標物體的信息融入 NeRF 模型中，例如物體的形狀、顏色和紋理等。
在探索過程中，機器人可以優先探索 NeRF 模型中不確定性較高的區域，這些區域更有可能存在目標物體。
可以利用 NeRF 模型生成不同視角的圖像，並使用目標檢測算法來尋找目標物體。

物體抓取：

可以使用 NeRF 模型來重建目標物體的三維模型，並估計物體的姿态和位置。
可以利用 NeRF 模型的不確定性信息來指導機器人選擇最佳的抓取點，例如選擇不確定性較低的區域作為抓取點。
可以使用 NeRF 模型生成不同視角的深度圖像，並使用深度學習算法來規劃抓取路徑。
總之，NUE 框架的思想可以應用於其他需要探索和感知環境的機器人任務，例如物體搜索和抓取。通過將目標任務的信息融入 NeRF 模型中，並利用不確定性信息來指導機器人進行決策，可以提高機器人完成任務的效率和成功率。