Task-Conditioned Uncertainty Costmaps for Legged Locomotion

📄 arXiv: 2605.00261v1 📥 PDF

作者: Kartikeya Singh, Christo Aluckal, Romeo Orsolino, Karthik Dantu

分类: cs.RO

发布日期: 2026-04-30

💡 一句话要点

提出任务条件不确定性代价地图，提升腿足机器人复杂地形运动规划的鲁棒性

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 腿足机器人 运动规划 不确定性建模 认知不确定性 分布外检测

📋 核心要点

  1. 现有腿足机器人落脚点预测在复杂地形中面临挑战，难以准确预测未来接触点，影响运动规划。
  2. 论文提出基于地形观测和运动指令的任务条件不确定性建模方法，区分分布内和分布外区域。
  3. 实验结果表明，该方法能有效检测OOD区域，降低模拟环境可行性误差高达37%，提升规划可靠性。

📝 摘要（中文）

腿足机器人通过与地形的多点接触来维持动态可行性。学习到的落脚点预测可以为运动规划和路径选择提供可行性相关的代价，但即使在重复的步态周期中，从高度扫描等感知输入准确预测高度非结构化地形上的未来接触点仍然具有挑战性。本文表明，对预测落脚点中的认知不确定性进行建模，并以地形观测和指令运动为条件，可以区分模拟和真实环境中的分布内和分布外操作状态。这使得单个学习模型能够在有限的数据分布上训练，并表达由缺失训练覆盖引起的不确定性。我们使用这种学习到的不确定性来检测OOD区域，并将其纳入统一的代价地图生成框架中，以实现不确定性感知的路径规划。使用这些不确定性感知的代价地图，我们在模拟和真实环境中评估了分布内和OOD地形上的可行性误差。结果表明，与仅使用几何信息的基线方法相比，OOD检测能力得到改善，模拟可行性误差最多减少37%，并且规划行为更加可靠。

🔬 方法详解

问题定义：腿足机器人在非结构化地形上的运动规划需要准确预测落脚点，现有方法在面对训练数据未覆盖的分布外(OOD)地形时，预测精度显著下降，导致运动规划失败。痛点在于如何让模型识别并处理OOD地形带来的不确定性，从而提升运动规划的鲁棒性。

核心思路：核心在于对落脚点预测的不确定性进行建模，并将其融入代价地图的生成过程中。通过学习一个能够预测不确定性的模型，机器人可以识别出哪些区域是它不熟悉的（OOD），并在规划路径时避免或谨慎对待这些区域。这种不确定性建模是任务条件的，即考虑了地形观测和期望的运动指令，使得不确定性估计更加准确。

技术框架：整体框架包含以下几个主要模块：1) 感知模块：获取地形的高度扫描数据。2) 落脚点预测模块：使用深度学习模型预测可能的落脚点。3) 不确定性估计模块：基于地形观测和运动指令，估计落脚点预测的不确定性。4) 代价地图生成模块：将落脚点预测和不确定性信息融合，生成代价地图，其中不确定性高的区域具有更高的代价。5) 路径规划模块：使用A*等算法在代价地图上进行路径规划。

关键创新：关键创新在于将认知不确定性建模与任务条件相结合，用于腿足机器人的运动规划。与传统的几何方法或仅依赖几何信息的学习方法不同，该方法能够显式地估计模型对预测结果的不确定性，并将其用于指导路径规划。这种方法使得机器人能够更好地适应未知的地形环境，提高运动的鲁棒性。

关键设计：论文使用深度神经网络来学习落脚点预测和不确定性估计。网络输入包括地形的高度扫描数据和期望的运动指令（例如，期望的速度和角速度）。网络输出包括落脚点的概率分布和不确定性估计。损失函数包括落脚点预测的交叉熵损失和用于鼓励不确定性估计准确性的正则化项。具体网络结构和参数设置在论文中有详细描述。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，该方法在模拟和真实环境中均能有效检测OOD区域，并降低可行性误差。在模拟环境中，与仅使用几何信息的基线方法相比，可行性误差最多减少37%。在真实环境中，该方法能够生成更可靠的代价地图，引导机器人选择更安全的路径，从而提高运动的成功率。

🎯 应用场景

该研究成果可应用于搜救机器人、勘探机器人、农业机器人等需要在复杂、非结构化地形中行走的腿足机器人。通过提高机器人在未知环境中的运动规划能力，可以使其更安全、更高效地完成任务，例如在灾难现场搜寻幸存者，在崎岖地形中进行资源勘探，或在农田中进行精准作业。

📄 摘要（原文）

Legged robots maintain dynamic feasibility through multicontact interactions with terrain. Learned foothold prediction can provide feasibility-aware costs for motion planning and path selection, but accurately predicting future contacts from perceptual inputs such as height scans remains challenging on highly unstructured terrain, even with a repetitive gait cycle. In this work, we show that modeling epistemic uncertainty in predicted footholds, conditioned on terrain observations and commanded motion, distinguishes in-distribution from out-of-distribution operating regimes in simulation and real-world settings. This allows a single learned model, trained on limited data distributions, to express uncertainty caused by missing training coverage. We use this learned uncertainty to detect OOD regions and incorporate them into a unified costmap-generation framework for uncertainty-aware path planning. Using these uncertainty-aware costmaps, we evaluate feasibility error across in-distribution and OOD terrains in simulation and real-world settings. The results show improved OOD detection, up to a 37% reduction in simulation feasibility error, and more reliable planning behavior than geometry-only baselines.