The NATURE autonomy stack: an open-source stack for off-road navigation
Notice bibliographique
Résumé
Off-road autonomous navigation remains an ongoing challenge for autonomous ground vehicles (AGV). The challenges of navigating in an unstructured environment include identifying and detecting both positive and negative obstacles, distinguishing navigable from non-navigable vegetation, identifying soft soil, and negotiating rough or sloping terrain. While many recent works have dealt with various aspects of the off-road navigation problem, up to now there has not been a free and open-source autonomy stack for off-road that included integrated modules for perception, planning, and control. Therefore, we have recently developed the NATURE (Navigating All Terrains Using Robotic Exploration) autonomy stack as a publicly available resource to facilitate the advancement of off-road navigation research. The NATURE stack is implemented using the Robotic Operating System (ROS) and can be built to work with both ROS-1 and ROS-2. The modular nature of the NATURE stack makes it an ideal resource for researchers who want to evaluate a particular algorithm for perception, planning, or control without developing an entire navigation stack from scratch. NATURE features several options for both global and local path planning including A*, artificial potential field, and spline-based planning, as well as multiple options for perception including a simple geometrically based obstacle finder and more advanced custom traversability algorithm derived from 3D lidar. In this presentation we give an overview of the NATURE stack and show some past uses of the stack in both simulated and field experiments.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».