ONRAP: Occupancy-driven Noise-Resilient Autonomous Path Planning
作者: Faizan M. Tariq, Avinash Singh, Vipul Ramtekkar, Jovin D'sa, David Isele, Yosuke Sakamoto, Sangjae Bae
分类: cs.RO
发布日期: 2026-02-14
备注: 8 pages, 9 figures - Presented at 2026 IEEE Intelligent Vehicles Symposium (IV)
🔗 代码/项目: PROJECT_PAGE
💡 一句话要点
ONRAP：基于占据栅格的抗噪声自主路径规划，提升动态环境下的导航可靠性。
🎯 匹配领域: 支柱三：空间感知与语义 (Perception & Semantics)
关键词: 自主路径规划 占据栅格 非线性优化 运动学可行性 避碰 噪声鲁棒性 动态环境
📋 核心要点
- 现有动态路径规划方法在感知噪声、定位不确定性和语义感知不完整的情况下，难以保证可靠性。
- ONRAP利用占据栅格和可选的占据流预测，构建非线性规划，显式考虑可行性和避碰，实现安全导航。
- 实验表明，ONRAP在模拟和真实F1TENTH平台上，即使存在严重噪声，也能实现平稳安全的机动。
📝 摘要（中文）
本研究提出了一种实用的、易于实现的路径规划器，该规划器基于占据栅格运行，并可选择性地结合占据流预测，生成以自我为中心的、运动学上可行的路径，从而安全地导航通过静态和动态障碍物。其核心是一个在空间域中构建的非线性程序，该程序基于改进的自行车模型，并具有显式的可行性和避碰惩罚。该公式通过纯粹在占据空间中运行，自然地处理未知的障碍物类别和异构智能体运动。该流程可以实时运行（平均速度快于10 Hz），只需要最少的调整，并且可以与标准控制堆栈清晰地连接。我们在模拟中验证了该方法在严重的定位和感知噪声下的有效性，并在F1TENTH平台上演示了通过狭窄通道和崎岖路线的平稳和安全机动。该方法为抗噪声、预测感知的规划提供了强大的基础，消除了对手工启发式的需求。项目网站：https://honda-research-institute.github.io/onrap/
🔬 方法详解
问题定义：论文旨在解决动态环境下，存在感知噪声、定位不确定性和不完整语义信息时，机器人自主路径规划的可靠性问题。现有方法通常依赖于精确的感知和定位，或者需要大量的手工调整的启发式规则，难以应对真实场景中的噪声和不确定性。
核心思路：论文的核心思路是利用占据栅格表示环境，并在此基础上进行非线性优化，生成考虑运动学可行性和避碰约束的路径。通过直接在占据空间中进行规划，避免了对障碍物类别和运动模型的精确估计，从而提高了对噪声和不确定性的鲁棒性。
技术框架：ONRAP的整体框架包括以下几个主要模块：1) 占据栅格地图构建：利用传感器数据构建环境的占据栅格地图。2) 占据流预测（可选）：预测动态障碍物的未来占据状态。3) 非线性优化：基于改进的自行车模型，构建非线性规划问题，目标是生成一条从当前状态到目标状态的运动学可行路径，同时避免与静态和动态障碍物发生碰撞。4) 路径执行：将优化后的路径发送给底层控制器执行。
关键创新：最重要的技术创新点在于其基于占据栅格的非线性规划方法，该方法能够显式地考虑运动学可行性和避碰约束，并且对感知噪声和定位不确定性具有很强的鲁棒性。与传统的基于搜索或采样的路径规划方法相比，ONRAP能够生成更平滑、更安全的路径，并且不需要大量的手工调整。
关键设计：ONRAP的关键设计包括：1) 改进的自行车模型：用于描述机器人的运动学约束。2) 碰撞惩罚函数：用于避免与障碍物发生碰撞。3) 可行性惩罚函数：用于保证路径的运动学可行性。4) 非线性优化求解器：用于求解非线性规划问题。论文中没有详细说明具体的参数设置和损失函数，这部分信息未知。
🖼️ 关键图片
📊 实验亮点
ONRAP在模拟和真实F1TENTH平台上的实验结果表明，即使在存在严重的定位和感知噪声的情况下，该方法也能够生成平稳、安全的路径，并成功通过狭窄通道和崎岖路线。论文中提到该流程可以实时运行（平均速度快于10 Hz），但没有提供与其他基线方法的具体性能对比数据。
🎯 应用场景
ONRAP适用于各种需要在动态、噪声环境下进行自主导航的机器人应用，例如自动驾驶、仓储物流机器人、服务机器人等。该方法能够提高机器人在复杂环境中的安全性和可靠性，降低人工干预的需求，具有重要的实际应用价值和商业潜力。未来可以进一步扩展到多智能体协同导航等更复杂的场景。
📄 摘要（原文）
Dynamic path planning must remain reliable in the presence of sensing noise, uncertain localization, and incomplete semantic perception. We propose a practical, implementation-friendly planner that operates on occupancy grids and optionally incorporates occupancy-flow predictions to generate ego-centric, kinematically feasible paths that safely navigate through static and dynamic obstacles. The core is a nonlinear program in the spatial domain built on a modified bicycle model with explicit feasibility and collision-avoidance penalties. The formulation naturally handles unknown obstacle classes and heterogeneous agent motion by operating purely in occupancy space. The pipeline runs in real-time (faster than 10 Hz on average), requires minimal tuning, and interfaces cleanly with standard control stacks. We validate our approach in simulation with severe localization and perception noises, and on an F1TENTH platform, demonstrating smooth and safe maneuvering through narrow passages and rough routes. The approach provides a robust foundation for noise-resilient, prediction-aware planning, eliminating the need for handcrafted heuristics. The project website can be accessed at https://honda-research-institute.github.io/onrap/