ProTrav: Probabilistic Traversability with Elevation Uncertainty Propagation for Risk-aware Off-road Navigation
作者: Chuanlin Zuo, Miloš Prágr, Arun Kumar Singh, Mohammad Loni, Reza Ghabcheloo
分类: cs.RO
发布日期: 2026-10-22
备注: 9 pages, 7 figures
💡 一句话要点
提出ProTrav以解决不确定性传播下的越野导航问题
🎯 匹配领域: 支柱三：空间感知与语义 (Perception & Semantics)
关键词: 概率性地形表示 高程不确定性 可通行性估计 自主导航 模型预测控制
📋 核心要点
- 现有方法主要依赖确定性地形高程，忽视了地形的空间相关性和高程不确定性的传播，导致可通行性估计不准确。
- ProTrav通过概率性地形表示和函数空间采样，生成空间相关的地形实现，并有效传播高程不确定性到可通行性成本中。
- 仿真实验表明，ProTrav在不同地形上的导航成功率超过90%，显著优于基线方法的40%成功率，同时减少了姿态变化。
📝 摘要（中文）
可靠的可通行性估计对于在非结构化地形上的自主导航至关重要。现有方法通常基于确定性地形高程评估可通行性，忽视了地形中的空间相关性，并未考虑高程不确定性如何通过非线性可通行性映射传播。本文提出ProTrav，一种概率性地形表示，利用函数空间采样生成空间相关的地形实现，并将高程不确定性传播到可通行性成本中。首先，稀疏变分高斯过程（SVGP）从观测中重建概率性高程场。然后，后验函数空间采样生成空间相关的地形实现，保持邻近位置之间的空间依赖性，同时将高程不确定性通过几何特征传播到可通行性成本中。最终，在任意位置建立可通行性成本的分布，均值和标准差分别量化预期的可通行性成本及相关不确定性。通过基于时刻的上置信界（UCB）定义风险项，并将其纳入模型预测路径积分（MPPI）控制器，实现风险感知导航。仿真实验表明，在不同地形上的导航成功率超过90%，而基线方法低于40%，同时减少了姿态变化。此外，所提方法在真实越野地形上的机器人验证中也得到了验证。
🔬 方法详解
问题定义：本文旨在解决在非结构化地形中进行自主导航时，如何准确评估可通行性的问题。现有方法主要基于确定性高程，未能有效处理高程不确定性及其对可通行性的影响。
核心思路：ProTrav的核心思路是通过概率性地形表示和函数空间采样，生成空间相关的地形实现，并将高程不确定性传播到可通行性成本中，从而提高可通行性估计的准确性和可靠性。
技术框架：整体架构包括两个主要模块：首先，使用稀疏变分高斯过程（SVGP）重建概率性高程场；其次，通过后验函数空间采样生成空间相关的地形实现，并将高程不确定性传播到可通行性成本中。
关键创新：最重要的创新点在于引入了概率性地形表示和函数空间采样方法，使得可通行性估计不仅考虑了高程的确定性，还有效地处理了高程的不确定性及其传播。
关键设计：在设计中，采用了稀疏变分高斯过程来重建高程场，并通过时刻的上置信界（UCB）定义风险项，结合模型预测路径积分（MPPI）控制器进行风险感知导航。
🖼️ 关键图片
📊 实验亮点
实验结果显示，ProTrav在不同地形上的导航成功率超过90%，而基线方法的成功率仅为40%。此外，ProTrav在减少姿态变化方面表现优异，进一步验证了其在实际应用中的有效性。
🎯 应用场景
该研究具有广泛的应用潜力，尤其在无人驾驶、机器人探索和救援任务中，能够有效提升在复杂和不确定环境中的导航能力。未来，ProTrav的技术可以扩展到更多领域，如农业、环境监测等，提升自主系统在各种地形下的适应性和安全性。
📄 摘要（原文）
Reliable traversability estimation is essential for autonomous navigation on unstructured terrain. State-of-the-art approaches typically evaluate traversability from deterministic terrain elevation, thereby overlooking spatial correlations in the terrain and failing to account for how elevation uncertainty propagates through nonlinear traversability mappings. We propose ProTrav, a probabilistic terrain representation that uses function-space sampling to generate spatially correlated terrain realizations and propagate elevation uncertainty to traversability cost. First, a Sparse Variational Gaussian Process (SVGP) reconstructs a probabilistic elevation field from observations. Then, posterior function-space sampling generates spatially correlated terrain realizations, preserving spatial dependencies between neighboring locations while propagating elevation uncertainty through geometric features into traversability cost. Consequently, a distribution of traversability cost at arbitrary location is established, where the mean and standard deviation quantify the expected traversability cost and associated uncertainty, respectively. A risk term is defined by moment-based Upper Confidence Bound (UCB) and incorporated into a Model Predictive Path Integral (MPPI) controller for risk-aware navigation. Simulation experiments demonstrate navigation success rates exceeding 90\% on different terrains, compared with below 40\% for a baseline, while reducing attitude variations. Furthermore, the proposed approach is validated on a robot traversing real-world off-road terrain.