DGT-Map: Directional Global Traversability Mapping Utilizing Multi-Task Learning for Heterogeneous Vehicles
作者: Jaskrit Singh, Kashif K. Noori, Jing Xiao, Constantinos Chamzas
分类: cs.RO
发布日期: 2026-09-24
💡 一句话要点
提出DGT-Map以解决异构车辆的方向性越野可 traversability问题
🎯 匹配领域: 支柱一：机器人控制 (Robot Control) 支柱三：空间感知与语义 (Perception & Semantics)
关键词: 越野可 traversability 方向性成本图 多任务学习 自监督学习 车辆特定模型
📋 核心要点
- 现有的全局地图通常为每个位置分配单一的各向同性成本，无法有效处理方向依赖和车辆特定的越野可 traversability问题。
- DGT-MAP通过自监督学习框架，结合多任务学习，生成方向性和车辆条件的越野成本图，提升了地形表示的共享性。
- 在仿真实验中，DGT-MAP在复杂地形上实现了最高或并列最高的导航成功率，优于几种基线方法。
📝 摘要（中文）
越野可 traversability是方向依赖和车辆特定的，但现有的全局地图通常为每个位置分配单一的各向同性成本。现有的学习估计器通常独立训练每辆车，虽然保留了车辆特定行为，但阻止了车辆共享共同的地形表示。DGT-MAP通过自监督框架解决了这两个限制，从RGB-D观察和运动信号中学习全球、方向性和车辆条件的越野成本图。共享的多任务骨干网络学习跨训练车辆的共同地形特征，而车辆特定的预测头则保留平台依赖的响应。在推理时，DGT-MAP生成一个以航向为索引的成本图，可供方向感知规划器使用。我们通过将DGT-MAP集成到Hybrid A*导航堆栈中进行仿真评估，并在具有挑战性的地形上测量下游任务成功率。
🔬 方法详解
问题定义：本论文旨在解决越野可 traversability的方向依赖性和车辆特定性问题。现有方法通常为每个位置分配单一的成本，无法有效反映不同车辆在不同地形上的表现差异。
核心思路：DGT-MAP采用自监督学习框架，通过共享的多任务骨干网络学习共同的地形特征，同时保留车辆特定的响应，以实现更准确的方向性越野成本图生成。
技术框架：整体架构包括一个共享的多任务学习骨干网络和多个车辆特定的预测头。骨干网络负责提取共同的地形特征，而预测头则根据不同车辆的特性生成相应的成本图。
关键创新：DGT-MAP的主要创新在于其自监督学习框架和多任务学习策略，使得不同车辆能够共享地形表示，同时又能保持车辆特定的行为响应。这种设计显著提高了越野导航的灵活性和准确性。
关键设计：在网络结构上，采用了多任务学习的策略，设置了不同的损失函数以平衡共享特征学习与车辆特定响应的优化。此外，使用RGB-D传感器数据和运动信号作为输入，增强了模型的泛化能力。
🖼️ 关键图片
📊 实验亮点
在仿真实验中，DGT-MAP在多个具有挑战性的地形上表现出色，导航成功率达到了最高或并列最高的水平，优于几种几何、二进制和学习的方向无关基线，显示出其在复杂环境下的有效性。
🎯 应用场景
DGT-MAP的研究成果在自动驾驶、机器人导航和越野车辆的路径规划等领域具有广泛的应用潜力。通过提供方向性和车辆特定的越野成本图，该方法能够显著提升复杂环境下的导航效率和安全性，推动智能交通系统的发展。
📄 摘要（原文）
Off-road traversability is direction-dependent and vehicle specific, yet most global maps assign a single isotropic cost to each location. Existing learned estimators are also commonly trained independently for each vehicle; this preserves vehicle-specific behavior but prevents vehicles from sharing common terrain representations. DGT-MAP addresses both limitations through a self-supervised framework that learns global, directional, and vehicle-conditioned traversability costmaps from RGB-D observations and locomotion signals. A shared multi-task backbone learns common terrain features across training vehicles while vehicle-specific prediction heads preserve platform-dependent responses. At inference, DGT-MAP produces a heading-indexed costmap that can be used by a direction-aware planner. We evaluate DGT-MAP in simulation by integrating it into a Hybrid A* navigation stack and measuring downstream task success on challenging terrains, including slopes that are traversable downhill but not uphill and a ridge obstacle that is traversable by some vehicles, but not by others. Across evaluated tasks, DGT-MAP achieves the highest or tied-highest navigation success rate when compared against geometric, binary, and learned direction-agnostic baselines.