Terrain-Aware Kinodynamic Planning with Efficiently Adaptive State Lattices for Mobile Robot Navigation in Off-Road Environments

📄 arXiv: 2504.17889v1 📥 PDF

作者: Eric R. Damm, Jason M. Gregory, Eli S. Lancaster, Felix A. Sanchez, Daniel M. Sahu, Thomas M. Howard

分类: cs.RO, eess.SY

发布日期: 2025-04-24

备注: 8 page paper with 1 additional copyright page. Published at the 2023 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS)

期刊: 2023 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS), Detroit, MI, USA, 2023, pp. 9918-9925

DOI: 10.1109/IROS55552.2023.10341537

💡 一句话要点

提出基于地形感知的运动学状态格栅(KEASL)方法，用于非结构化地形移动机器人导航。

🎯 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: 地形感知 运动规划 状态格栅 移动机器人 非结构化环境

📋 核心要点

  1. 传统二维代价地图无法有效编码地形对机器人姿态（横摇和纵倾角）的影响，限制了非平坦地形的导航性能。
  2. 提出KEASL方法，将运动学信息编码到可重组的运动规划搜索空间中，并使用迭代双向欧拉积分法精确估计速度。
  3. 在真实非结构化地形的实验表明，KEASL在满足地形相关速度约束时，比EASL提供更高效的路径，占比达83.72%。

📝 摘要（中文）

为了安全地穿越非平坦地形，机器人必须考虑地形形状对其规划运动的影响。地形感知的运动规划器利用机器人姿态、悬架和地面高程图来估计车辆的横摇和纵倾角，以此作为搜索空间中边权值的依据。然而，将此类信息编码到传统的二维代价地图中存在局限性，因为它无法捕捉倾斜地形上姿态对横摇和纵倾角估计的影响。本文通过将运动学信息编码到基于高效自适应状态格栅(EASL)的可重组运动规划搜索空间的边中来解决这个问题。这种方法，我们称之为运动学高效自适应状态格栅(KEASL)，与之前的表示方法有两个不同之处。首先，该方法在运动规划图的扩展节点处，使用了一种新颖的速度、加速度约束和车辆方向编码方式。其次，该方法描述了在搜索过程中评估每个边上姿态相关的横摇角、纵倾角、约束和速度的额外步骤，同时仍然使图保持可重组性。速度计算采用迭代双向欧拉积分法，更准确地估计了受地形相关速度限制的边的持续时间。在Clearpath Robotics Warthog无人地面车辆上进行了真实环境实验。实验中2093次规划查询的结果表明，当EASL规划被调整以满足地形相关的速度约束时，KEASL提供了比EASL更有效的路径，占比达到83.72%。此外，还分析了相对运行时间和规划路径之间的差异。

🔬 方法详解

问题定义：论文旨在解决移动机器人在非平坦地形导航时，传统二维代价地图无法有效编码地形对机器人姿态影响的问题。现有方法难以准确估计横摇和纵倾角，导致运动规划效率降低，甚至出现不安全的运动轨迹。现有方法的痛点在于无法将地形信息与机器人的运动学约束有效结合。

核心思路：论文的核心思路是将运动学信息（速度、加速度、车辆方向）编码到基于高效自适应状态格栅(EASL)的运动规划搜索空间的边中。通过这种方式，可以在规划过程中显式地考虑地形对机器人姿态和运动的影响，从而生成更安全、更高效的运动轨迹。核心在于将地形信息融入到运动规划的底层表示中。

技术框架：KEASL方法的整体框架包括以下几个主要步骤： 1. 状态格栅构建：基于EASL构建初始的状态格栅，每个节点代表机器人的一个姿态。 2. 运动学信息编码：在格栅的边上编码运动学信息，包括速度、加速度和车辆方向。 3. 地形感知评估：在搜索过程中，评估每个边上姿态相关的横摇角、纵倾角、约束和速度，考虑地形的影响。 4. 迭代速度计算：使用迭代双向欧拉积分法，更准确地估计受地形相关速度限制的边的持续时间。 5. 路径搜索：使用A*或其他搜索算法，在状态格栅中搜索最优路径。

关键创新：KEASL方法的关键创新在于： 1. 运动学信息编码：提出了一种新颖的速度、加速度约束和车辆方向编码方式，将运动学信息显式地融入到状态格栅中。 2. 地形感知评估：设计了一种地形感知的评估方法，可以在搜索过程中考虑地形对机器人姿态和运动的影响。 3. 迭代速度计算：采用迭代双向欧拉积分法，更准确地估计受地形相关速度限制的边的持续时间。与现有方法的本质区别在于，KEASL方法能够将地形信息与机器人的运动学约束有效结合，从而生成更安全、更高效的运动轨迹。

关键设计： 1. 速度约束：根据地形坡度设置速度上限，防止机器人因速度过快而发生侧翻。 2. 加速度约束：限制机器人的加速度，保证运动的平滑性。 3. 迭代步长：在迭代双向欧拉积分法中，选择合适的迭代步长，以保证速度估计的精度和效率。 4. 代价函数：设计合适的代价函数，综合考虑路径长度、地形坡度、速度和加速度等因素。

🖼️ 关键图片

fig_0
fig_1

📊 实验亮点

在Clearpath Robotics Warthog无人地面车辆上进行的真实环境实验表明，KEASL方法在2093次规划查询中，有83.72%的情况下提供了比EASL更有效的路径，尤其是在EASL规划需要调整以满足地形相关的速度约束时。实验结果验证了KEASL方法在非结构化地形导航中的优越性，证明了其能够生成更安全、更高效的运动轨迹。

🎯 应用场景

该研究成果可应用于各种需要在非平坦、非结构化地形中导航的移动机器人，例如农业机器人、搜救机器人、矿业机器人和军事机器人。通过提高在复杂地形中的导航能力，可以显著提升这些机器人的工作效率和安全性，并拓展其应用范围。未来，该技术有望与更高级的感知和控制算法相结合，实现更自主、更智能的机器人导航。

📄 摘要（原文）

To safely traverse non-flat terrain, robots must account for the influence of terrain shape in their planned motions. Terrain-aware motion planners use an estimate of the vehicle roll and pitch as a function of pose, vehicle suspension, and ground elevation map to weigh the cost of edges in the search space. Encoding such information in a traditional two-dimensional cost map is limiting because it is unable to capture the influence of orientation on the roll and pitch estimates from sloped terrain. The research presented herein addresses this problem by encoding kinodynamic information in the edges of a recombinant motion planning search space based on the Efficiently Adaptive State Lattice (EASL). This approach, which we describe as a Kinodynamic Efficiently Adaptive State Lattice (KEASL), differs from the prior representation in two ways. First, this method uses a novel encoding of velocity and acceleration constraints and vehicle direction at expanded nodes in the motion planning graph. Second, this approach describes additional steps for evaluating the roll, pitch, constraints, and velocities associated with poses along each edge during search in a manner that still enables the graph to remain recombinant. Velocities are computed using an iterative bidirectional method using Eulerian integration that more accurately estimates the duration of edges that are subject to terrain-dependent velocity limits. Real-world experiments on a Clearpath Robotics Warthog Unmanned Ground Vehicle were performed in a non-flat, unstructured environment. Results from 2093 planning queries from these experiments showed that KEASL provided a more efficient route than EASL in 83.72% of cases when EASL plans were adjusted to satisfy terrain-dependent velocity constraints. An analysis of relative runtimes and differences between planned routes is additionally presented.