Reliability-Guided Depth Fusion for Glare-Resilient Navigation Costmaps

📄 arXiv: 2604.12753v1 📥 PDF

作者: Shang-En Tsai, Wei-Cheng Sun

分类: cs.RO

发布日期: 2026-04-14

💡 一句话要点

提出基于深度可靠性建模的Costmap构建方法，提升反光环境下机器人导航的鲁棒性。

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

关键词: 机器人导航 Costmap构建 深度可靠性 眩光抑制 RGB-D传感器

📋 核心要点

  1. RGB-D传感器在反射表面易受眩光影响，导致深度测量出现空洞和噪声，进而产生错误的Costmap障碍物。
  2. 论文提出深度可靠性图（DRM）估计器，预测像素级深度测量的可信度，并以此引导Costmap的更新，抑制错误信息的累积。
  3. 实验表明，该方法在真实反射环境下能有效减少错误障碍物的生成，提升自由空间保持能力，且计算开销较小。

📝 摘要（中文）

本文提出了一种具有抗眩光能力的Costmap构建方法，该方法基于显式的深度可靠性建模。该方法使用一个轻量级的深度可靠性图（DRM）估计器来预测每个像素在镜面反射干扰下的测量可信度，并使用一种可靠性引导融合（RGF）机制，利用该信号来调节占用网格的更新，从而避免将受损的测量值累积到地图中。在配备Intel RealSense D435和Jetson Orin Nano的真实移动机器人平台上进行的实验表明，该方法显著减少了错误障碍物的插入，并改善了真实反射地板和玻璃表面条件下的自由空间保持，同时仅引入了适度的计算开销。这些结果表明，将眩光视为测量可靠性问题，为提高安全关键室内环境中的Costmap正确性和导航鲁棒性提供了一种实用且轻量级的解决方案。

🔬 方法详解

问题定义：现有基于RGB-D传感器的机器人导航系统，在存在反射表面的环境中，由于镜面反射产生的眩光，会导致深度图像出现大量错误，例如空洞和异常值。这些错误的深度信息会被累积到Costmap中，形成虚假的障碍物，严重影响机器人的导航性能和安全性。现有方法通常缺乏对深度数据可靠性的有效评估和处理，容易受到眩光干扰。

核心思路：论文的核心思路是将眩光问题转化为一个测量可靠性问题。通过估计每个深度像素的可靠性，可以区分有效测量和受眩光影响的错误测量。然后，利用这些可靠性信息来指导Costmap的更新过程，降低错误测量对Costmap的影响，从而提高Costmap的准确性和鲁棒性。

技术框架：该方法主要包含两个核心模块：深度可靠性图（DRM）估计器和可靠性引导融合（RGF）机制。首先，DRM估计器根据RGB图像信息预测每个深度像素的可靠性。然后，RGF机制利用DRM提供的可靠性信息，对深度信息进行加权融合，更新Costmap。整体流程是：RGB-D图像输入 -> DRM估计 -> 可靠性加权 -> Costmap更新。

关键创新：该方法最重要的创新点在于显式地建模了深度测量的可靠性，并将其用于指导Costmap的构建过程。与传统方法直接使用原始深度数据不同，该方法首先评估深度数据的质量，然后根据质量调整其对Costmap的影响。这种基于可靠性的融合策略能够有效抑制眩光带来的负面影响。

关键设计：DRM估计器是一个轻量级的神经网络，输入是RGB图像，输出是每个像素的可靠性得分。RGF机制使用DRM提供的可靠性得分作为权重，对深度信息进行加权平均，然后将加权后的深度信息更新到Costmap中。具体的Costmap更新公式中，可靠性得分会影响每个深度测量对Costmap占用概率的影响程度。具体网络结构和损失函数细节未知。

📊 实验亮点

实验结果表明，该方法在真实反射地板和玻璃表面条件下，能够显著减少Costmap中错误障碍物的数量，并提高自由空间的保持率。具体性能数据未知，但作者强调该方法在提高Costmap质量的同时，仅引入了适度的计算开销，使其能够在资源受限的移动机器人平台上运行。

🎯 应用场景

该研究成果可广泛应用于室内服务机器人、清洁机器人、自动驾驶叉车等需要在复杂室内环境中进行导航的机器人系统。尤其是在存在大量反射表面（如玻璃、瓷砖地板）的场景下，该方法能够显著提高机器人的导航鲁棒性和安全性。未来，该技术有望进一步扩展到其他类型的传感器和环境，例如激光雷达和室外环境。

📄 摘要（原文）

Specular glare on reflective floors and glass surfaces frequently corrupts RGB-D depth measurements, producing holes and spikes that accumulate as persistent phantom obstacles in occupancy-grid costmaps. This paper proposes a glare-resilient costmap construction method based on explicit depth-reliability modeling. A lightweight Depth Reliability Map (DRM) estimator predicts per-pixel measurement trustworthiness under specular interference, and a Reliability-Guided Fusion (RGF) mechanism uses this signal to modulate occupancy updates before corrupted measurements are accumulated into the map. Experiments on a real mobile robotic platform equipped with an Intel RealSense D435 and a Jetson Orin Nano show that the proposed method substantially reduces false obstacle insertion and improves free-space preservation under real reflective-floor and glass-surface conditions, while introducing only modest computational overhead. These results indicate that treating glare as a measurement-reliability problem provides a practical and lightweight solution for improving costmap correctness and navigation robustness in safety-critical indoor environments.