摘要

我们提出了 GANav，一种新颖的分组注意力机制，旨在从RGB图像中识别非结构化环境与非道路地形中的安全可通行区域。本方法基于粗粒度语义分割对地形的可通行性水平进行分类。我们提出的分组注意力损失函数，使任意主干网络能够显式关注低分辨率下不同组别的特征，从而实现高效推理，同时在精度上优于现有最先进（SOTA）方法。在RUGD和RELLIS-3D数据集上的大量实验表明，GANav在RUGD上相较SOTA方法将平均交并比（mIoU）提升了2.25%至39.05%，在RELLIS-3D上提升了5.17%至19.06%。我们将GANav与基于深度强化学习的导航算法相结合，验证了其在真实非结构化地形中导航的显著优势。进一步地，我们将基于GANav的导航算法集成至ClearPath Jackal与Husky机器人平台，实验结果显示：任务成功率提升10%，最优可通行表面选择率提高2%至47%，轨迹粗糙度降低4.6%至13.9%。此外，GANav还将禁止区域的误报率降低了37.79%。代码、演示视频及完整技术报告可访问 https://gamma.umd.edu/offroad/ 获取。