Simulating Realistic Local 3D Maps from Geometric Models

Abstract

Terénní robot by se měl dokázat samostatně pohybovat přes obtížný terén. Učení jízdy přes překážky probíhá v simulovaném prostředí. Simulovaný senzor, který předává robotovi informace o terénu, má vždy o okolí perfektní informace, na rozdíl od reálného senzoru RealSense na robotu, ve kterém se vyskytuje šum a chybějící data. Cílem práce je vytvořit metodu, která dokáže zkreslit simulátorová data tak, aby vypadala realisticky. Vycházíme z naší předchozí práce, která využívá Cyklické sítě GAN k vytváření realistických dat pro jiný senzor. Lepších výsledků dosahujeme úpravou parametrů, předzpracováním vstupních dat, a přidáním párovaných dat.An outdoor terrain robot should be able to traverse difficult terrain autonomously. This is learned in a simulated environment to make the process faster and easier. However, the simulated sensor used for terrain mapping in this environment has always precise information, which is very different from reality where digital elevation model (DEM) is noisy and incomplete. The goal is to develop a method that would process DEM created by simulation and transform it to a more realistic DEM. We build on top of our previous work that uses Cycle GAN networks to generate realistic DEMs from another sensor. We improve current results by adjusting parameters, preprocessing inputs, and introducing paired data.