Dual-BEV Nav: Dual-layer BEV-based Heuristic Path Planning for Robotic Navigation in Unstructured Outdoor Environments

📄 arXiv: 2501.18351v1 📥 PDF

作者: Jianfeng Zhang, Hanlin Dong, Jian Yang, Jiahui Liu, Shibo Huang, Ke Li, Xuan Tang, Xian Wei, Xiong You

分类: cs.RO

发布日期: 2025-01-30

💡 一句话要点

提出Dual-BEV Nav，解决非结构化户外环境下的机器人导航问题

🎯 匹配领域: 支柱三：空间感知与语义 (Perception & Semantics)

关键词: 机器人导航 鸟瞰图 路径规划 非结构化环境 双层规划

📋 核心要点

  1. 现有方法难以识别非结构化户外环境中地面区域的可通行性，且缺乏局部和全局可通行性识别的有效整合。
  2. Dual-BEV Nav通过双层BEV启发式规划范式，整合局部和全局BEV的可通行性信息，实现长距离导航。
  3. 实验结果表明，Dual-BEV Nav在时间距离预测精度上提升高达18.7%，并在真实场景中成功完成65米导航。

📝 摘要（中文）

本文提出了一种名为Dual-BEV Nav的新方法，用于解决非结构化户外环境中机器人导航的问题，尤其是在低质量定位和地图信息的情况下。该方法首先将鸟瞰图（BEV）表示引入局部规划，以生成高质量的可通行路径。然后，将这些路径投影到由全局BEV规划模型生成的可通行性地图上，以获得最佳路径点。通过整合局部和全局BEV的可通行性信息，建立了一种双层BEV启发式规划范式，从而实现在非结构化户外环境中的长距离导航。通过公共数据集评估和真实机器人部署测试，结果表明该方法具有良好的性能。与基线方法相比，Dual-BEV Nav的时间距离预测精度提高了高达18.7%。在真实部署中，即使在与训练集差异显著且全局BEV存在明显遮挡的情况下，Dual-BEV Nav也成功实现了65米长的户外导航。

🔬 方法详解

问题定义：论文旨在解决非结构化户外环境中，机器人导航面临的挑战，尤其是在低质量定位和地图信息下。现有方法难以准确识别复杂户外环境中的可通行区域，并且缺乏对局部和全局环境信息的有效融合，导致导航性能受限。

核心思路：论文的核心思路是利用双层鸟瞰图（BEV）表示，分别进行局部和全局的路径规划，并将两者结合起来。局部BEV用于生成高质量的可通行路径，全局BEV用于提供全局环境的可通行性信息，从而实现更鲁棒和高效的导航。

技术框架：Dual-BEV Nav包含两个主要模块：局部BEV规划和全局BEV规划。首先，局部BEV规划模块利用传感器数据生成局部环境的BEV表示，并在此基础上进行路径规划，生成一系列候选路径。然后，全局BEV规划模块利用全局地图信息生成全局环境的BEV表示，并评估局部规划生成的候选路径的可行性。最后，通过整合局部和全局BEV的信息，选择最优的路径点，并控制机器人进行导航。

关键创新：该方法最重要的创新点在于双层BEV规划范式的提出，它将局部和全局环境信息有效地结合起来，从而提高了机器人导航的鲁棒性和效率。与现有方法相比，Dual-BEV Nav能够更好地处理非结构化户外环境中的复杂情况，例如地形变化、障碍物遮挡等。

关键设计：局部BEV规划模块可以使用各种路径规划算法，例如A算法、D算法等。全局BEV规划模块可以使用概率地图来表示全局环境的可通行性信息。论文中可能使用了特定的损失函数来训练全局BEV规划模型，例如交叉熵损失函数。具体的网络结构未知，但推测可能使用了卷积神经网络来处理BEV图像。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，Dual-BEV Nav在时间距离预测精度上比基线方法提高了高达18.7%。在真实机器人部署中，即使在与训练集差异显著且全局BEV存在明显遮挡的情况下，Dual-BEV Nav也成功实现了65米长的户外导航，验证了该方法在复杂环境中的鲁棒性和有效性。

🎯 应用场景

该研究成果可应用于各种需要在非结构化户外环境中进行自主导航的机器人，例如农业机器人、巡检机器人、搜救机器人等。通过提高机器人在复杂环境中的导航能力，可以降低人工成本，提高工作效率，并扩展机器人的应用范围。未来，该技术有望应用于自动驾驶、智慧城市等领域。

📄 摘要（原文）

Path planning with strong environmental adaptability plays a crucial role in robotic navigation in unstructured outdoor environments, especially in the case of low-quality location and map information. The path planning ability of a robot depends on the identification of the traversability of global and local ground areas. In real-world scenarios, the complexity of outdoor open environments makes it difficult for robots to identify the traversability of ground areas that lack a clearly defined structure. Moreover, most existing methods have rarely analyzed the integration of local and global traversability identifications in unstructured outdoor scenarios. To address this problem, we propose a novel method, Dual-BEV Nav, first introducing Bird's Eye View (BEV) representations into local planning to generate high-quality traversable paths. Then, these paths are projected onto the global traversability map generated by the global BEV planning model to obtain the optimal waypoints. By integrating the traversability from both local and global BEV, we establish a dual-layer BEV heuristic planning paradigm, enabling long-distance navigation in unstructured outdoor environments. We test our approach through both public dataset evaluations and real-world robot deployments, yielding promising results. Compared to baselines, the Dual-BEV Nav improved temporal distance prediction accuracy by up to $18.7\%$. In the real-world deployment, under conditions significantly different from the training set and with notable occlusions in the global BEV, the Dual-BEV Nav successfully achieved a 65-meter-long outdoor navigation. Further analysis demonstrates that the local BEV representation significantly enhances the rationality of the planning, while the global BEV probability map ensures the robustness of the overall planning.