Learning-based Traversability Costmap for Autonomous Off-road Navigation
作者: Qiumin Zhu, Zhen Sun, Songpengcheng Xia, Guoqing Liu, Kehui Ma, Ling Pei, Zheng Gong, Cheng Jin
分类: cs.RO
发布日期: 2024-06-12 (更新: 2024-09-15)
💡 一句话要点
提出一种基于学习的越野自主导航地形可通行性代价地图预测方法
🎯 匹配领域: 支柱三：空间感知与语义 (Perception & Semantics)
关键词: 越野导航 可通行性估计 代价地图 深度学习 风险感知 本体感受 自主机器人 地形理解
📋 核心要点
- 现有基于学习的越野可通行性估计方法难以准确标注机器人与复杂地形的交互，导致代价地图生成不准确。
- 该论文提出一种结合视觉和几何信息的代价地图预测方法，并引入风险感知的本体感受标签方法进行网络训练。
- 实验结果表明，该方法在代价地图预测的准确性和导航安全性、平稳性方面均优于现有方法。
📝 摘要（中文）
越野地形中的可通行性估计是自主导航的关键步骤。然而，为机器人与地表之间复杂的交互创建可靠的标签，在基于学习的代价地图生成中仍然是一个具有挑战性的问题。为了解决这个问题，我们提出了一种方法，该方法通过利用环境的视觉和几何信息来预测可通行性代价地图。为了量化地表的粗糙度和颠簸度等属性，我们引入了一种新颖的风险感知标签方法，利用本体感受信息进行网络训练。我们在复杂越野场景的代价地图预测和导航任务中验证了我们的方法。结果表明，我们的代价地图预测方法在平均准确率和均方误差方面表现出色。导航结果表明，使用我们学习到的代价地图可以实现更安全、更平稳的驾驶，在两个场景中，其成功率最高、归一化轨迹长度最短、时间成本最低、平均稳定性最高，优于以往的方法。
🔬 方法详解
问题定义：论文旨在解决越野自主导航中，由于难以准确标注机器人与复杂地形的交互，导致基于学习的代价地图生成不准确的问题。现有方法难以有效量化地形的粗糙度和颠簸度等属性，从而影响导航的安全性和平稳性。
核心思路：论文的核心思路是结合视觉和几何信息来预测可通行性代价地图，并引入一种新颖的风险感知标签方法，利用本体感受信息进行网络训练。通过这种方式，可以更准确地量化地形属性，从而提高代价地图的预测精度和导航性能。
技术框架：该方法的技术框架主要包括以下几个模块：1) 视觉和几何信息获取模块，用于获取环境的视觉和几何数据；2) 风险感知标签生成模块，利用本体感受信息生成训练标签；3) 代价地图预测网络，基于视觉、几何信息和标签数据，预测可通行性代价地图；4) 导航模块，利用预测的代价地图进行路径规划和导航控制。
关键创新：该论文的关键创新在于提出了一种风险感知的标签方法，该方法利用本体感受信息来量化地形的粗糙度和颠簸度等属性，从而更准确地生成训练标签。这种方法能够有效解决现有方法难以准确标注机器人与复杂地形交互的问题。
关键设计：在风险感知标签生成模块中，论文设计了一种基于机器人运动状态和地形几何特征的风险评估函数，用于计算每个位置的风险值。代价地图预测网络可以采用各种常见的图像分割或回归网络结构，损失函数可以采用均方误差或交叉熵损失等。具体的网络结构和参数设置需要根据实际应用场景进行调整。
🖼️ 关键图片
📊 实验亮点
实验结果表明，该方法在代价地图预测方面，平均准确率和均方误差均优于现有方法。在导航任务中，使用该方法学习到的代价地图可以实现更高的成功率、更短的归一化轨迹长度、更低的时间成本和更高的平均稳定性。具体而言，在两个不同的越野场景中，该方法在各项指标上均取得了显著的提升。
🎯 应用场景
该研究成果可应用于各种越野自主导航场景，例如农业机器人、矿业机器人、搜救机器人和军事侦察机器人等。通过提高越野环境下的导航安全性和平稳性，可以降低机器人损坏的风险，提高任务完成效率，并扩展机器人的应用范围。该研究还有助于推动自主导航技术在复杂环境下的发展。
📄 摘要（原文）
Traversability estimation in off-road terrains is an essential procedure for autonomous navigation. However, creating reliable labels for complex interactions between the robot and the surface is still a challenging problem in learning-based costmap generation. To address this, we propose a method that predicts traversability costmaps by leveraging both visual and geometric information of the environment. To quantify the surface properties like roughness and bumpiness, we introduce a novel way of risk-aware labelling with proprioceptive information for network training. We validate our method in costmap prediction and navigation tasks for complex off-road scenarios. Our results demonstrate that our costmap prediction method excels in terms of average accuracy and MSE. The navigation results indicate that using our learned costmaps leads to safer and smoother driving, outperforming previous methods in terms of the highest success rate, lowest normalized trajectory length, lowest time cost, and highest mean stability across two scenarios.