Occlusion-Aware, Quasi-Static, Stability-Oriented Trajectory Planning on Uneven Terrain
作者: Amith Manoharan, Chinmay Mundane, Aayush Bahukhandi, K. Madhava Krishna, Karel Zimmermann, Arun Kumar Singh
分类: cs.RO
发布日期: 2026-09-30
💡 一句话要点
提出基于模型的框架以解决不均匀地形下的自主导航问题
🎯 匹配领域: 支柱一：机器人控制 (Robot Control) 支柱二：RL算法与架构 (RL & Architecture)
关键词: 自主导航 轨迹规划 不均匀地形 认知不确定性 交叉熵方法 模型基方法 机器人技术 环境感知
📋 核心要点
- 现有方法在处理不均匀地形时，难以有效考虑车辆与地形的相互作用及环境的不确定性。
- 本文提出的框架通过建模地形遮挡引起的认知不确定性，结合非线性最小二乘法进行轨迹优化。
- 在六种合成地形的实验中，框架的失败率为18.9%，显著低于其他基线方法，验证了其有效性。
📝 摘要（中文）
在非结构化的越野环境中，自主导航需要考虑车辆与地形的相互作用及环境的不确定性。本文提出了一种基于模型的框架，为刚性非关节四轮车辆在高度不均匀地形上生成准静态、稳定性导向的参考轨迹。主要贡献包括：一是将地形遮挡造成的盲区建模为固定特征傅里叶地形表示中的覆盖诱导的认知不确定性；二是通过隐式微分传播不确定性，并将其纳入基于交叉熵方法的轨迹优化中；三是引入流匹配模型以热启动地形拟合，并评估其拟合精度与延迟的权衡。实验结果显示，完整框架的失败率为18.9%，显著优于基线方法。
🔬 方法详解
问题定义：本文旨在解决在不均匀地形上进行自主导航时，车辆与地形相互作用及环境不确定性导致的轨迹规划问题。现有方法往往忽视了地形遮挡对车辆导航的影响，导致性能不足。
核心思路：论文提出了一种基于模型的框架，通过将地形遮挡引起的盲区建模为认知不确定性，并在轨迹优化中考虑这些不确定性，从而提高轨迹规划的稳定性和安全性。
技术框架：整体框架包括三个主要模块：首先，使用傅里叶地形表示建模地形遮挡；其次，通过隐式微分传播不确定性；最后，利用交叉熵方法进行轨迹优化，确保生成的轨迹稳定且安全。
关键创新：最重要的创新在于将地形遮挡引起的盲区量化为认知不确定性，并将其有效整合到轨迹优化过程中，这一方法与传统的轨迹规划方法有本质区别。
关键设计：在技术细节上，使用正则化的逆海森估计来量化不确定性，并在轨迹优化中引入了姿态、接触点和每轮表面法线的不确定性项，确保优化过程的全面性。
🖼️ 关键图片
📊 实验亮点
实验结果表明，完整框架在六种合成地形上的失败率为18.9%，相比于两种基线方法的46.1%和41.7%有显著提升。此外，去除传播不确定性评分的消融实验显示失败率为34.4%，进一步验证了提出方法的有效性。
🎯 应用场景
该研究的潜在应用领域包括自动驾驶、机器人导航和探测任务等，尤其是在复杂的越野环境中。通过提高自主导航系统的稳定性和安全性，能够显著提升其在实际应用中的可靠性，推动相关技术的发展和普及。
📄 摘要（原文）
Autonomous navigation in unstructured off-road environments requires reasoning about both vehicle--terrain interaction and environmental unknowns. We propose a model-based framework for generating quasi-static, stability-oriented reference trajectories for rigid, non-articulated four-wheeled vehicles on highly uneven terrain. Our work makes three primary contributions. First, we model blind spots caused by terrain occlusion as coverage-induced epistemic uncertainty in a fixed-feature Fourier terrain representation, quantified through a regularized inverse-Hessian estimate. Second, we propagate this uncertainty through the Nonlinear Least-Squares (NLS) pose/contact model using implicit differentiation and incorporate the resulting pose, contact-point, and per-wheel surface-normal uncertainty terms into trajectory optimization based on the Cross-Entropy Method (CEM). Third, we introduce a Flow Matching model that warm-starts terrain fitting, and we evaluate its fitting-accuracy--latency trade-off while retaining model-based refinement. Across six synthetic terrains with 30 matched start--goal pairs per terrain, the complete framework produced an observed failure rate of 18.9%, compared with 46.1% and 41.7% for two representative baselines and 34.4% for an ablation that removed the propagated-uncertainty scoring. Hardware evaluations span six distinct outdoor environments, with two representative executions presented in the paper and four additional executions included in the supplementary video. The evaluation also reports the accuracy--latency trade-off for the Flow Matching warm start.