Self-Assessment of Evidential Grid Map Fusion for Robust Motion Planning
作者: Oliver Schumann, Thomas Wodtko, Michael Buchholz, Klaus Dietmayer
分类: cs.RO
发布日期: 2024-09-30
备注: Oliver Schumann, Thomas Wodtko, Michael Buchholz, Klaus Dietmayer
DOI: 10.1109/ITSC58415.2024.10919943
💡 一句话要点
提出一种基于证据网格地图融合的自评估方法，用于提升机器人运动规划的鲁棒性
🎯 匹配领域: 支柱一：机器人控制 (Robot Control)
关键词: 证据网格地图 传感器融合 自评估 运动规划 鲁棒性 主观逻辑 自主机器人
📋 核心要点
- 自主机器人在复杂环境中运行时，传感器数据冲突是环境建模的重大挑战，影响运动规划的可靠性。
- 该论文提出一种基于证据网格地图的自评估框架，用于检测和评估传感器冲突，并将其融入到路径规划算法中。
- 通过实验验证，该方法能够在存在冲突数据的环境中生成更鲁棒的路径，避免不必要的任务中止，提升系统整体性能。
📝 摘要（中文）
本文针对自主机器人在环境表示中面临的传感器测量冲突问题，提出了一种证据网格地图的自评估方法，并结合该方法进行鲁棒的运动规划。首先，对基于主观逻辑的证据网格地图中聚合的冲突激光雷达测量数据进行分类。然后，一个自评估框架评估这些冲突，并通过计算退化分数来估计其对整个系统的严重性。这使得能够检测校准误差和不足的传感器设置。与其它运动规划方法不同，从证据网格地图中获得的信息被进一步用于我们提出的路径规划算法中。在这里，评估冲突测量对当前运动计划的影响，并推导出一种鲁棒和好奇的路径规划策略，以在冲突数据的影响下规划路径。这确保了系统完整性在严重退化的环境表示中得到维护，从而可以防止不必要的规划任务中止。
🔬 方法详解
问题定义：自主机器人在复杂环境中依赖多种传感器进行环境感知，但由于传感器噪声、校准误差或环境变化等因素，不同传感器的数据可能产生冲突，导致环境地图出现错误或不确定性。现有的运动规划方法通常假设环境地图是准确的，无法有效处理这些冲突，可能导致规划失败或不安全的行为。
核心思路：该论文的核心思路是利用证据推理来融合来自不同传感器的信息，并对融合结果进行自评估，从而识别和量化环境地图中的冲突。然后，将这些冲突信息融入到运动规划算法中，使其能够生成对冲突具有鲁棒性的路径。通过这种方式，即使在存在传感器冲突的情况下，机器人也能安全可靠地完成任务。
技术框架：该方法包含以下几个主要模块：1) 基于主观逻辑的证据网格地图构建：使用主观逻辑来表示和融合来自不同激光雷达传感器的测量数据，生成证据网格地图。2) 冲突分类：对证据网格地图中的冲突进行分类，例如校准误差或传感器故障。3) 自评估框架：评估这些冲突，并通过计算退化分数来估计其对整个系统的严重性。4) 鲁棒路径规划：将冲突信息融入到路径规划算法中，使其能够生成对冲突具有鲁棒性的路径。
关键创新：该论文的关键创新在于提出了一种基于证据网格地图的自评估框架，能够自动检测和评估传感器冲突，并将其用于指导运动规划。与传统的运动规划方法相比，该方法能够更好地处理传感器数据中的不确定性和冲突，从而提高机器人的鲁棒性和可靠性。
关键设计：在证据网格地图构建中，使用了主观逻辑来表示和融合来自不同传感器的信息，主观逻辑能够同时表示信念、不确定性和未知性。在自评估框架中，通过计算退化分数来量化冲突的严重性，退化分数考虑了冲突的类型、位置和强度。在鲁棒路径规划中，使用了A*算法，并将冲突信息作为代价函数的一部分，从而引导算法生成避开冲突区域的路径。
🖼️ 关键图片
📊 实验亮点
论文通过实验验证了所提出的自评估框架和鲁棒路径规划算法的有效性。实验结果表明，该方法能够有效地检测和评估传感器冲突，并生成对冲突具有鲁棒性的路径。与传统的运动规划方法相比，该方法能够显著降低规划失败的概率，并提高机器人的安全性。具体性能数据未知。
🎯 应用场景
该研究成果可应用于各种自主机器人系统，例如自动驾驶汽车、无人机、移动机器人等。尤其是在复杂或恶劣环境中运行的机器人，例如矿井、灾区或拥挤的城市环境，该方法能够显著提高其安全性和可靠性。此外，该方法还可以用于评估传感器系统的性能，并帮助用户选择合适的传感器配置。
📄 摘要（原文）
Conflicting sensor measurements pose a huge problem for the environment representation of an autonomous robot. Therefore, in this paper, we address the self-assessment of an evidential grid map in which data from conflicting LiDAR sensor measurements are fused, followed by methods for robust motion planning under these circumstances. First, conflicting measurements aggregated in Subjective-Logic-based evidential grid maps are classified. Then, a self-assessment framework evaluates these conflicts and estimates their severity for the overall system by calculating a degradation score. This enables the detection of calibration errors and insufficient sensor setups. In contrast to other motion planning approaches, the information gained from the evidential grid maps is further used inside our proposed path-planning algorithm. Here, the impact of conflicting measurements on the current motion plan is evaluated, and a robust and curious path-planning strategy is derived to plan paths under the influence of conflicting data. This ensures that the system integrity is maintained in severely degraded environment representations which can prevent the unnecessary abortion of planning tasks.