An Onboard Framework for Staircases Modeling Based on Point Clouds

📄 arXiv: 2405.01918v1 📥 PDF

作者: Chun Qing, Rongxiang Zeng, Xuan Wu, Yongliang Shi, Gan Ma

分类: cs.RO

发布日期: 2024-05-03

🔗 代码/项目: GITHUB

💡 一句话要点

提出一种基于点云的楼梯建模框架，用于提升腿式机器人的楼梯通行能力。

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 楼梯建模 点云处理 腿式机器人 可通行区域检测 数据增强

📋 核心要点

  1. 腿式机器人在楼梯上的可通行区域检测和物理建模是其移动的关键，现有方法在复杂环境下表现不足。
  2. 该论文提出了一种机载框架，通过数据增强、曲率抑制损失和姿态校正来提升楼梯建模的准确性和鲁棒性。
  3. 实验结果表明，该方法在楼梯数据集上具有优越的准确性和泛化能力，验证了所提出框架的有效性。

📝 摘要（中文）

本文提出了一种用于检测楼梯可通行区域并建模其物理属性的机载框架，该框架基于点云数据。为了减轻光照变化和数据集多样性导致的过拟合的影响，引入了一系列数据增强方法来增强基础网络的训练。提出了一种曲率抑制交叉熵（CSCE）损失函数，以减少可通行和不可通行区域边界预测的模糊性。此外，引入了一种基于楼梯姿态估计的测量校正方法，以校准受倾斜视角影响的原始建模输出。最后，我们收集了一个关于楼梯的数据集，并引入了新的评估标准。通过在该数据集上进行的一系列严格实验，证实了我们提出的方法具有卓越的准确性和泛化能力。

🔬 方法详解

问题定义：腿式机器人在楼梯等复杂环境中的自主导航面临着可通行区域检测和物理建模的挑战。现有方法容易受到光照变化、视角倾斜和数据集多样性的影响，导致模型泛化能力不足，边界预测模糊，最终影响机器人的通行效率和安全性。

核心思路：该论文的核心思路是通过数据增强提升模型的鲁棒性，利用曲率抑制损失函数优化边界预测，并结合姿态估计进行测量校正，从而提高楼梯建模的准确性和泛化能力。这种多管齐下的方法旨在克服现有方法在复杂环境下的局限性。

技术框架：该框架主要包含三个阶段：1) 数据增强：通过一系列数据增强技术，增加训练数据的多样性，提高模型对光照变化和视角倾斜的鲁棒性。2) 可通行区域检测：使用深度学习网络预测楼梯的可通行区域，并采用曲率抑制交叉熵损失函数优化边界预测。3) 物理建模：基于点云数据和楼梯姿态估计，对楼梯的物理属性进行建模，并进行测量校正，以消除视角倾斜的影响。

关键创新：该论文的关键创新在于以下几个方面：1) 提出了一种曲率抑制交叉熵（CSCE）损失函数，能够有效减少可通行和不可通行区域边界预测的模糊性。2) 引入了一种基于楼梯姿态估计的测量校正方法，能够校准受倾斜视角影响的原始建模输出。3) 构建了一个新的楼梯数据集，并提出了新的评估标准，为楼梯建模研究提供了基准。

关键设计：数据增强方面，采用了多种策略，包括旋转、缩放、平移和颜色扰动等。CSCE损失函数的设计考虑了边界区域的曲率信息，通过抑制高曲率区域的预测误差来提高边界预测的准确性。测量校正方面，利用楼梯的姿态估计结果，对点云数据进行坐标变换，从而消除视角倾斜的影响。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，该方法在所提出的楼梯数据集上取得了显著的性能提升。与现有方法相比，该方法在可通行区域检测的准确率和召回率方面均有明显提高，尤其是在边界区域的预测精度方面。此外，该方法在不同光照条件和视角下的泛化能力也得到了验证。

🎯 应用场景

该研究成果可应用于腿式机器人在复杂环境下的自主导航，例如楼梯攀爬、灾后救援和家庭服务等。通过精确的楼梯建模，机器人能够安全高效地通过楼梯，扩展其应用范围和实用性。此外，该方法也可应用于其他场景的三维重建和环境感知。

📄 摘要（原文）

The detection of traversable regions on staircases and the physical modeling constitutes pivotal aspects of the mobility of legged robots. This paper presents an onboard framework tailored to the detection of traversable regions and the modeling of physical attributes of staircases by point cloud data. To mitigate the influence of illumination variations and the overfitting due to the dataset diversity, a series of data augmentations are introduced to enhance the training of the fundamental network. A curvature suppression cross-entropy(CSCE) loss is proposed to reduce the ambiguity of prediction on the boundary between traversable and non-traversable regions. Moreover, a measurement correction based on the pose estimation of stairs is introduced to calibrate the output of raw modeling that is influenced by tilted perspectives. Lastly, we collect a dataset pertaining to staircases and introduce new evaluation criteria. Through a series of rigorous experiments conducted on this dataset, we substantiate the superior accuracy and generalization capabilities of our proposed method. Codes, models, and datasets will be available at https://github.com/szturobotics/Stair-detection-and-modeling-project.