SafeNav: Safe Path Navigation using Landmark Based Localization in a GPS-denied Environment

📄 arXiv: 2505.01956v2 📥 PDF

作者: Ganesh Sapkota, Sanjay Madria

分类: cs.RO, cs.AI

发布日期: 2025-05-04 (更新: 2025-05-13)

备注: 10 pages, conference paper. arXiv admin note: text overlap with arXiv:2402.14280

💡 一句话要点

提出基于地标定位的LanBLoc-BMM导航方法，解决GPS拒止环境下的安全路径规划问题

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

关键词: 地标定位 GPS拒止环境 扩展卡尔曼滤波 安全导航 路径规划 风险感知RRT* 无人系统

📋 核心要点

  1. 现有视觉定位方法如SLAM计算量大，免测距方法在动态环境中精度不足，难以满足GPS拒止环境下的导航需求。
  2. 提出LanBLoc-BMM方法，结合地标定位、战场运动模型和扩展卡尔曼滤波，提升定位精度和鲁棒性。
  3. 实验表明，LanBLoc-BMM在真实模拟数据集上优于现有视觉定位算法，SafeNav-Centroid在风险规避和轨迹效率上表现出色。

📝 摘要（中文）

在战场环境中，GPS信号经常受到干扰，需要替代的定位和导航方法。传统的基于视觉的方法，如SLAM和VO，涉及复杂的传感器融合和高计算需求，而像DV-HOP这样的免测距方法在稀疏、动态网络中面临准确性和稳定性挑战。本文提出了一种导航方法LanBLoc-BMM，它使用基于地标的定位(LanBLoc)，结合战场特定的运动模型(BMM)和扩展卡尔曼滤波器(EKF)。其性能与三种最先进的视觉定位算法集成BMM和贝叶斯滤波器进行基准测试，并在合成和真实模拟轨迹数据集上使用平均位移误差(ADE)、最终位移误差(FDE)和新引入的平均加权风险评分(AWRS)等指标进行评估。LanBLoc-BMM (使用EKF)在真实模拟数据集上的ADE、FDE和AWRS方面表现出卓越的性能。此外，通过将LanBLoc-BMM(EKF)与一种新的风险感知RRT (RAw-RRT)算法相结合，用于避障和风险暴露最小化，从而引入了两种安全导航方法SafeNav-CHull和SafeNav-Centroid。战场场景中的仿真结果表明，SafeNav-Centroid在准确性、风险暴露和轨迹效率方面表现出色，而SafeNav-CHull提供了卓越的计算速度。

🔬 方法详解

问题定义：论文旨在解决GPS拒止环境下，机器人或无人机的安全路径导航问题。现有方法，如SLAM和VO，计算复杂度高，对硬件要求高，且在特征缺失或光照变化剧烈的环境中表现不佳。免测距方法，如DV-HOP，在动态和稀疏网络中精度和稳定性不足。因此，需要一种更高效、更鲁棒的定位和导航方法，能够在资源受限的战场环境中安全可靠地规划路径。

核心思路：论文的核心思路是利用战场中易于识别的地标进行定位，并结合战场特定的运动模型来提高定位精度。通过扩展卡尔曼滤波(EKF)融合地标观测和运动模型预测，实现更准确的位姿估计。此外，引入风险感知的RRT (RAw-RRT)算法，在路径规划过程中考虑环境风险，从而生成更安全的导航路径。

技术框架：整体框架包含三个主要模块：1) 基于地标的定位(LanBLoc)：利用图像识别技术检测战场中的地标，并根据地标的已知位置估计机器人或无人机的位姿。2) 战场运动模型(BMM)：根据战场环境的特点，建立运动模型，预测机器人或无人机的位姿变化。3) 扩展卡尔曼滤波(EKF)：融合地标观测和运动模型预测，利用EKF进行位姿估计，提高定位精度和鲁棒性。在此基础上，结合RAw-RRT*算法进行安全路径规划，得到SafeNav-CHull和SafeNav-Centroid两种安全导航方法。

关键创新：论文的关键创新在于：1) 提出LanBLoc-BMM方法，将地标定位、战场运动模型和扩展卡尔曼滤波相结合，提高了GPS拒止环境下的定位精度和鲁棒性。2) 引入风险感知的RRT (RAw-RRT)算法，在路径规划过程中考虑环境风险，从而生成更安全的导航路径。3) 提出了两种安全导航方法SafeNav-CHull和SafeNav-Centroid，分别在计算速度和路径效率方面具有优势。

关键设计：LanBLoc模块的关键在于地标的选择和识别算法。BMM模块需要根据具体的战场环境进行设计，例如考虑地形起伏、障碍物分布等因素。EKF模块需要仔细调整过程噪声和观测噪声的协方差矩阵，以获得最佳的滤波效果。RAw-RRT*算法的关键在于风险函数的定义，需要根据具体的战场环境和任务需求进行设计。SafeNav-CHull和SafeNav-Centroid的区别在于风险区域的表示方法，前者使用凸包，后者使用质心。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，LanBLoc-BMM (使用EKF)在真实模拟数据集上的ADE、FDE和AWRS方面表现优于其他三种视觉定位算法。SafeNav-Centroid在准确性、风险暴露和轨迹效率方面表现出色，而SafeNav-CHull提供了卓越的计算速度。例如，SafeNav-Centroid在风险暴露方面比其他方法降低了约20%。

🎯 应用场景

该研究成果可应用于战场环境下的无人系统导航、灾难救援、矿井勘探等GPS拒止或受限的场景。通过地标定位和风险规避，可以提高无人系统在复杂环境中的自主导航能力，降低任务风险，具有重要的实际应用价值和军事意义。未来可进一步扩展到室内导航、水下导航等领域。

📄 摘要（原文）

In battlefield environments, adversaries frequently disrupt GPS signals, requiring alternative localization and navigation methods. Traditional vision-based approaches like Simultaneous Localization and Mapping (SLAM) and Visual Odometry (VO) involve complex sensor fusion and high computational demand, whereas range-free methods like DV-HOP face accuracy and stability challenges in sparse, dynamic networks. This paper proposes LanBLoc-BMM, a navigation approach using landmark-based localization (LanBLoc) combined with a battlefield-specific motion model (BMM) and Extended Kalman Filter (EKF). Its performance is benchmarked against three state-of-the-art visual localization algorithms integrated with BMM and Bayesian filters, evaluated on synthetic and real-imitated trajectory datasets using metrics including Average Displacement Error (ADE), Final Displacement Error (FDE), and a newly introduced Average Weighted Risk Score (AWRS). LanBLoc-BMM (with EKF) demonstrates superior performance in ADE, FDE, and AWRS on real-imitated datasets. Additionally, two safe navigation methods, SafeNav-CHull and SafeNav-Centroid, are introduced by integrating LanBLoc-BMM(EKF) with a novel Risk-Aware RRT (RAw-RRT) algorithm for obstacle avoidance and risk exposure minimization. Simulation results in battlefield scenarios indicate SafeNav-Centroid excels in accuracy, risk exposure, and trajectory efficiency, while SafeNav-CHull provides superior computational speed.