Self-Healing Visual Recovery for Autonomous Ground Vehicles Using Camera-Only Visual Odometry
作者: Jakob Solberg Berntzen, Safia Fatima, Leon Moonen
分类: cs.RO, cs.LG, cs.SE
发布日期: 2026-07-13
备注: 18 pages, 11 figures, 4 tables
💡 一句话要点
提出自愈视觉恢复方法以解决无人地面车辆的视觉里程计问题
🎯 匹配领域: 支柱三：空间感知与语义 (Perception & Semantics)
关键词: 无人地面车辆 视觉里程计 自愈恢复 深度学习 障碍物检测 室内导航 低成本自动化
📋 核心要点
- 现有的无人地面车辆在跟踪地面标线时，容易因标线遮挡或转弯而失效，缺乏有效的恢复机制。
- 本文提出了一种两阶段的自愈视觉恢复方法，通过逐步放宽颜色检查和单目视觉里程计来恢复标线跟踪。
- 在119个故障注入的实验中，该方法成功率为86.6%，中位恢复时间为3.26秒，显示出良好的实用性。
📝 摘要（中文）
低成本无人地面车辆常用于室内环境，如仓库和农田行走，依赖于地面标线进行导航。然而，当标线被遮挡或急转弯时，传统的跟踪方法会失败。本文提出了一种轻量级的两阶段恢复方法，能够在没有LiDAR、GPS或GPU的情况下，实时恢复标线跟踪。第一阶段，机器人在原地转动，逐步放宽颜色检查，并等待多个帧的确认；如果仍未找到标线，则通过单目视觉里程计将机器人移动回保存的路径点进行重试。该系统在CPU硬件上以20 Hz的频率运行，实验结果显示在119个故障注入的测试中，成功率达到86.6%，中位恢复时间为3.26秒，证明了在实际成本和计算限制下，可靠的视觉恢复是可行的。
🔬 方法详解
问题定义：本文旨在解决无人地面车辆在跟踪地面标线时因标线遮挡或急转弯导致的失效问题。现有方法通常依赖于多传感器冗余，缺乏针对单摄像头系统的实时恢复机制。
核心思路：论文提出的解决方案分为两个阶段，第一阶段通过原地转动和逐步放宽颜色检查来寻找丢失的标线；如果未能找到，则通过单目视觉里程计将机器人移动回之前的路径点进行重试。
技术框架：整体架构包括深度门控HSV线跟踪器、YOLOv8n障碍物检测器和视觉里程计路径点映射器。系统在CPU上以20 Hz的频率运行，控制器在50 ms的控制周期内嵌入完整的MAPE-K循环。
关键创新：该方法的主要创新在于无需额外硬件支持，能够在低成本的单摄像头系统中实现可靠的视觉恢复，显著提升了无人地面车辆的自主导航能力。
关键设计：系统采用深度门控HSV线跟踪算法，结合YOLOv8n进行障碍物检测，确保在复杂环境中仍能有效跟踪标线。
🖼️ 关键图片
📊 实验亮点
在119个故障注入的实验中，该方法成功率达到86.6%，中位恢复时间为3.26秒，显示出在无LiDAR和GPS的情况下，仍能实现高效的视觉恢复，显著提升了无人地面车辆的自主导航能力。
🎯 应用场景
该研究的潜在应用领域包括仓库自动化、农业机器人和室内巡逻机器人等。通过提升无人地面车辆在复杂环境中的导航能力，该方法能够降低对高成本传感器的依赖，推动低成本自动化技术的发展，具有重要的实际价值和广泛的市场前景。
📄 摘要（原文）
Low-cost unmanned ground vehicles are often used in indoor places like warehouses, inspection corridors, and farm rows, where painted floor lines guide the robot. Line following is useful because it only needs one camera and little computing power, but it can fail when the line is blocked or turns sharply and goes out of view. Sensor-rich platforms tolerate this through hardware redundancy (LiDAR, GPS, multiple cameras), but camera-only systems must recover at runtime with no additional infrastructure. This paper presents a lightweight, two-stage recovery approach that restores guideline tracking without LiDAR, GPS, or a GPU. When the line is lost, the robot first turns in place while slowly relaxing its color checks and waiting for confirmation across multiple frames (Stage 1). If the line is still not found, monocular visual odometry moves the robot back to saved breadcrumb positions before it tries again (Stage 2). The system uses a depth-gated HSV line tracker, a YOLOv8n obstacle detector, and a visual odometry breadcrumb mapper, and it runs at 20 Hz on CPU-only hardware. The controller embeds a complete MAPE-K loop within a single 50 ms control tick, with no external adaptation manager required. The approach is evaluated across 119 fault-injected episodes on three Webots simulation courses. The method was successful in 86.6% of cases, with a median recovery time of 3.26 seconds. These results demonstrate that reliable visual recovery is feasible on camera-only UGVs within practical cost and computational limits.