Self-Supervised Traversability Learning with Online Prototype Adaptation for Off-Road Autonomous Driving
作者: Yafeng Bu, Zhenping Sun, Xiaohui Li, Jun Zeng, Xin Zhang, Hui Shen
分类: cs.RO
发布日期: 2025-04-16
💡 一句话要点
提出一种自监督地形可通行性学习方法，用于越野自动驾驶。
🎯 匹配领域: 支柱一：机器人控制 (Robot Control) 支柱三：空间感知与语义 (Perception & Semantics)
关键词: 越野自动驾驶 可通行性学习 自监督学习 鸟瞰图 在线原型自适应
📋 核心要点
- 越野场景缺乏大规模数据集，且人工标注成本高昂，限制了可通行性分析的精度和效率。
- 提出一种基于自监督学习的可通行性学习方法，利用鸟瞰图（BEV）输入，并在线动态更新原型。
- 实验结果表明，该方法在公共数据集和自建数据集上均优于现有方法，并满足实时性要求，兼容下游运动规划。
📝 摘要（中文）
本文提出了一种新颖的可通行性学习方法，该方法利用自监督学习，无需手动标注，从而解决越野环境下可靠和安全的自动驾驶对精确和高效的地形可通行性分析的需求。首次使用鸟瞰图（BEV）表示作为输入，减轻了计算负担，并提高了对下游运动规划的适应性。在车辆运行过程中，该方法对已行驶区域进行在线分析，并动态更新原型，以自适应地评估当前环境的可通行性，有效处理动态场景变化。在公共数据集和我们自己的数据集上，针对最先进的基准评估了我们的方法，涵盖了不同的季节和地理位置。实验结果表明，我们的方法明显优于最近的方法。此外，实际车辆实验表明，我们的方法以10 Hz的频率运行，满足实时要求，而5.5公里的自动驾驶实验进一步验证了生成的可通行性成本图与下游运动规划的兼容性。
🔬 方法详解
问题定义：越野自动驾驶需要准确评估地形的可通行性，但现有方法面临缺乏大规模标注数据、标注成本高、实时性要求高以及车载计算资源有限等挑战。现有方法难以兼顾精度、效率和适应性，尤其是在动态变化的越野环境中。
核心思路：本文的核心思路是利用自监督学习，避免人工标注，并采用在线原型自适应的方式，使模型能够根据车辆行驶过程中遇到的实际地形进行动态调整，从而提高可通行性评估的准确性和适应性。使用BEV表示作为输入，降低计算复杂度，并更好地与下游运动规划模块集成。
技术框架：该方法主要包含以下几个阶段：1) 数据采集：利用车载传感器（如摄像头、激光雷达）采集越野环境数据。2) BEV表示：将采集到的数据转换为鸟瞰图（BEV）表示，作为模型的输入。3) 自监督学习：利用自监督学习策略，训练可通行性评估模型，无需人工标注。4) 在线原型自适应：在车辆行驶过程中，对已行驶区域进行分析，动态更新原型，以适应当前环境。5) 可通行性评估：利用训练好的模型和更新后的原型，评估当前地形的可通行性。
关键创新：该方法的主要创新点在于：1) 首次将自监督学习应用于越野环境下的可通行性学习，避免了人工标注的成本和误差。2) 提出了一种在线原型自适应策略，使模型能够根据实际行驶情况动态调整，提高了对动态环境的适应性。3) 采用BEV表示作为输入，降低了计算复杂度，并更好地与下游运动规划模块集成。
关键设计：该方法的关键设计包括：1) 自监督学习策略：具体采用何种自监督学习方法（例如，对比学习、生成对抗网络等）未知，但其目标是学习地形的内在特征，从而进行可通行性评估。2) 在线原型自适应策略：具体如何定义和更新原型未知，但其目标是根据已行驶区域的地形特征，动态调整模型参数，以适应当前环境。3) BEV表示：如何将传感器数据转换为BEV表示未知，但需要保证转换后的数据能够反映地形的几何和物理特征。4) 损失函数：用于训练可通行性评估模型的损失函数未知，但需要能够反映可通行性评估的准确性和鲁棒性。
🖼️ 关键图片
📊 实验亮点
实验结果表明，该方法在公共数据集和自建数据集上均优于现有方法，具体性能提升幅度未知。实际车辆实验表明，该方法能够以10 Hz的频率运行，满足实时性要求。5.5公里的自动驾驶实验验证了生成的可通行性成本图与下游运动规划的兼容性，证明了该方法在实际应用中的可行性。
🎯 应用场景
该研究成果可广泛应用于越野自动驾驶领域，例如无人驾驶矿车、农业机器人、搜救机器人等。通过提高越野环境下的可通行性评估精度，可以提升自动驾驶系统的安全性、可靠性和效率，降低事故风险，并拓展自动驾驶技术的应用范围。未来，该技术还可以应用于地形测绘、灾害评估等领域。
📄 摘要（原文）
Achieving reliable and safe autonomous driving in off-road environments requires accurate and efficient terrain traversability analysis. However, this task faces several challenges, including the scarcity of large-scale datasets tailored for off-road scenarios, the high cost and potential errors of manual annotation, the stringent real-time requirements of motion planning, and the limited computational power of onboard units. To address these challenges, this paper proposes a novel traversability learning method that leverages self-supervised learning, eliminating the need for manual annotation. For the first time, a Birds-Eye View (BEV) representation is used as input, reducing computational burden and improving adaptability to downstream motion planning. During vehicle operation, the proposed method conducts online analysis of traversed regions and dynamically updates prototypes to adaptively assess the traversability of the current environment, effectively handling dynamic scene changes. We evaluate our approach against state-of-the-art benchmarks on both public datasets and our own dataset, covering diverse seasons and geographical locations. Experimental results demonstrate that our method significantly outperforms recent approaches. Additionally, real-world vehicle experiments show that our method operates at 10 Hz, meeting real-time requirements, while a 5.5 km autonomous driving experiment further validates the generated traversability cost maps compatibility with downstream motion planning.