Belegungsraster-Kartierung – Umwandlung von LiDAR- und Kameradaten in Begehbarkeit

Contents — find the section you need

Eine LiDAR-Punktwolke kann Wände und Straßen präzise darstellen. Planer benötigen jedoch andere Antworten: Wo passt die Fahrzeugkarosserie hin, welche Bereiche wurden noch nicht erfasst, wie unsicher ist ein Hindernis und wann sollte die Spur eines sich bewegenden Fußgängers verschwinden? Ein Belegungsraster unterteilt den Raum in Zellen und berechnet die Wahrscheinlichkeit, dass jede Zelle belegt ist.

Es handelt sich dabei nicht nur um ein Schwarz-Weiß-Bild. Zellen, die von einem Entfernungsstrahl durchquert werden, liefern Hinweise auf freien Raum; ein gültiger Endpunkt zeigt an, dass ein Bereich belegt ist; Zellen, die kein Strahl erfasst hat, bleiben unbekannt. Die Kennzeichnung unbekannter Bereiche als frei kann ein Fahrzeug durch eine nicht einsehbare Gasse oder hinter eine Mauer leiten. Dieser Artikel verknüpft eine Entfernungsaktualisierung mit Bayes'scher Kartierung, SLAM, Dynamik, 3D-Darstellungen, Planung und Sicherheitsbewertung.

LiDAR als Beobachtungsquelle für Belegungsraster

Bild: Concept von LiDAR (Cartographer3d, CC BY-SA 4.0), Wikimedia Commons. Dies ist ein Laufzeitkonzept, keine konkrete Fahrzeug- oder Produktimplementierung des hier beschriebenen Rasters.

Kurze Zusammenfassung

Für jede Zelle wird eine Wahrscheinlichkeit gespeichert. Werte nahe 0,5 bedeuten unbekannt, Werte nahe 1 belegt und Werte nahe 0 frei.
Log-Odds wandeln rekursive Bayes'sche Evidenz in eine Addition um. Der Bereich wird begrenzt, sodass ein altes, fest vermutetes Hindernis schließlich beseitigt werden kann.
Markieren Sie einen gültigen Rückkehrpunkt und verfolgen Sie den freien Raum davor per Raytracing. Verwenden Sie nicht dasselbe inverse Modell für maximale Reichweite, keine Rückkehr, Glas, Staub, Schnee und Hardwarefehler.
Eine SLAM-Karte unterstützt Lokalisierung und persistente Struktur; eine rollierende lokale Kostenkarte ermöglicht die sofortige Kollisionsvermeidung. Trennen Sie statische und dynamische Zeitskalen.
Das Fahrzeug ist kein Punkt. Berücksichtigen Sie Hindernisse vor der Planung anhand von Fußabdruck, Position und Tracking-Unsicherheit, Controller-Fehler und Bremsreserve.
Semantische Belegung, zukünftiger Belegungsfluss und neuronale implizite Karten sind aktive Forschungsrichtungen, aber Kollisionsabfragelatenz, Kalibrierung und das Verhalten im unbekannten Raum bleiben entscheidend.

Von einem Entfernungsstrahl zu Zellen

Abbildung 1 – Ein inverses Sensormodell markiert den Endpunkt und löscht die Zellen davor. Grauer unbekannter Bereich ist kein freier Bereich.

Für Ursprung $(x_0,y_0)$ und Auflösung $r$ wird ein Weltpunkt $(x,y)$ auf

i=\left\lfloor\frac{x-x_0}{r}\right\rfloor,\qquad j=\left\lfloor\frac{y-y_0}{r}\right\rfloor

abgebildet.

Eine Halbierung von $r$ vervierfacht den 2D-Speicher und verachtfacht den dichten 3D-Voxelspeicher. Eine Auflösung unterhalb der Sensor- und Lageunsicherheit erzeugt Flimmern anstelle von echten Werten. Präzision.

Transformationen zwischen einem persistenten Kartenrahmen, einem kontinuierlichen Odometrie-Rahmen, der Fahrzeugkarosserie und dem Sensor müssen zum Messzeitpunkt ausgewertet werden. Eine aktuelle Punktwolke, transformiert mit einer alten Fahrzeugposition, verwandelt gerade Wände in schräge Bänder. Viele scheinbare Kartierungsfehler sind Takt- und Rahmenfehler.

Bayes'sche und Log-Odds-Aktualisierung

Sei $O_i$ die Belegung der Zelle $m_i$ , $t$ die Beobachtungen im Zeitverlauf und $z_{1:t}$ die Positionen. Die Karte speichert

p_{t,i}=P(O_i\mid z_{1:t},x_{1:t})

Klassische Gitter setzen aus Gründen der Handhabbarkeit Zellunabhängigkeit voraus und verwenden ein inverses Sensormodell $P(O_i\mid z_t,x_t)$ . Dies verwirft räumliche Korrelationen wie die Kontinuität einer Wand, ermöglicht aber effiziente lokale Aktualisierungen.

Definiere Log-Odds

l_{t,i}=\log\frac{p_{t,i}}{1-p_{t,i}}

Die Die rekursive Aktualisierung wird zu

l_{t,i}=l_{t-1,i} +\log\frac{P(O_i\mid z_t,x_t)}{1-P(O_i\mid z_t,x_t)} -l_{0,i}

Mit $p_0=0.5$ und $l_0=0$ wird die Wahrscheinlichkeit für belegte Daten erhöht, für freie Daten verringert. Die Wahrscheinlichkeit wird wiederhergestellt durch

p_{t,i}=\frac{1}{1+\exp(-l_{t,i})}

In der Praxis wird auf $l_{min}\le l_{t,i}\le l_{max}$ begrenzt. Ohne Sättigung kann es vorkommen, dass ein Objekt, das stundenlang beobachtet wurde, nach seiner Bewegung Hunderte von freien Beobachtungen benötigt, um zu verschwinden. Die Begrenzung der Wahrscheinlichkeit ist eine Entscheidung darüber, wie stark das System die Historie korrigieren kann, und nicht nur eine Frage der numerischen Genauigkeit.

Das inverse Sensormodell

Bei einem 2D-Scan zählt Bresenham oder DDA Zellen entlang eines Strahls. Ein gültiger Endpunkt markiert die Belegung, und vorhergehende Zellen erhalten freie Daten. Unterschiedliche Rückgabezustände erfordern unterschiedliche Strategien:

Eine gültige Rückgabe kann den Endpunkt markieren und vorhergehende Zellen löschen.
Eine Probe mit maximaler Reichweite oder ohne Rückgabe kann innerhalb eines verifizierten Bereichs gelöscht werden, abhängig von der Gerätesemantik.
Daten unterhalb der minimalen Reichweite sollten keine Nahfeld-Blindzone auflösen.

Regen, Schnee, Insekten und Staub profitieren von räumlichen und zeitlichen Konsistenzfiltern.

Glas und Oberflächen mit geringem Reflexionsvermögen können zu unsicheren Hinweisen auf freien Raum führen.

Kameratiefen-, Stereo- und semantische Segmentierungsdaten können auf den Boden projiziert werden. Monokulare Klassenausgaben allein liefern keine genaue Entfernungsangabe. Wenn die Projektion eine Straßenebene, erlernte Tiefeninformationen oder Objektabmessungen voraussetzt, muss die entsprechende Unsicherheit verteilt werden. Eine von Visual SLAM verwendete Sparse Feature Map und ein Kollisionsgitter haben unterschiedliche Aufgaben.

Unsicherheit der Position und Schleifenschluss

Sei $g(x,z)$ die Funktion, die den Sensorpunkt $z$ über die Position $x$ in Weltkoordinaten transformiert; mit der Positionskovarianz $P_x$ und der Messkovarianz $R_z$ Die Ausbreitung erster Ordnung des linearisierten Punktes ergibt:

P_p\approx J_xP_xJ_x^T+J_zR_zJ_z^T

Die starke Markierung einer winzigen Zelle bei unsicherer Lokalisierung führt bei wiederholten Durchgängen zu verdickten Wänden. Verteilen Sie die Daten räumlich oder aktualisieren Sie sie in Subkartenkoordinaten. Wenn der Schleifenschluss alte Posen verändert, sind irreversibel in ein globales Raster eingebrannte Punkte schwer zu reparieren; Posegraphen und Subkarten können nach der Optimierung wiederhergestellt werden. Siehe LiDAR SLAM Primer.

Statische, lokale und dynamische Ebenen trennen

Ebene	Zeitskala	Beispiele	Aktualisierungsrichtlinie
statisch	Tage bis Jahre	Wand, Bordstein, Gebäude	SLAM/HD-Karte, kontrollierte Aktualisierungen
temporär	Sekunden	geparktes Fahrzeug, fallengelassener Gegenstand	Markierung, Räumung, Verfall
dynamisch	Zehntelsekunden bis Sekunden	Fahrzeug, Fußgänger, Radfahrer	Verfolgung und zukünftige Belegung

Semantik/Regeln | Kartenversion | Fahrspur, Haltelinie, Sperrzone | Versionierte Quelle |

Sicherheitsabstand | Kontrollzyklus | Reichweite, Bremsabstand | Geschwindigkeits- und unsicherheitsabhängig |

Ein einfacher Abfall ist

l_i(t+\Delta t)=e^{-\Delta t/\tau}l_i(t)

Ein zu kleiner $\tau$ löscht ein stationäres Hindernis; ein zu großer hinterlässt Spuren hinter dem fahrenden Verkehr. Dynamische Objekte sollten nach Möglichkeit separat erfasst werden, um zu verhindern, dass ihre Beobachtungen statische Strukturen dauerhaft verfälschen.

Die zukünftige Belegung $P(O_{i,k})$ oder der Belegungsfluss gibt an, wo der Raum im nächsten Schritt $k$ belegt sein könnte. Im Gegensatz zu einem Boxdetektor kann er nicht klassifizierte Hindernisse und mehrere räumliche Hypothesen darstellen. Die Kalibrierung ist weiterhin entscheidend: Eine Belegungsvorhersage von 0,9 sollte innerhalb der ausgewerteten Verteilung in etwa 90 % der Fälle korrekt sein.

2D, Höhe, Voxel und BEV

Ein 2D-Gitter ist schnell, kann aber Überhänge nicht natürlich darstellen. Äste, die Lücke unter einem LKW oder Hänge. Eine 2,5D-Höhenkarte speichert Höhenstatistiken pro Zelle; ein Voxelgitter diskretisiert das Volumen; OctoMap komprimiert belegtes Volumen in einem Oktabaum.

Automatisierte Fahrnetzwerke wandeln zunehmend Kamera-, LiDAR- und Radardaten in eine Vogelperspektive um und prognostizieren Belegung, Semantik und Bewegung. Gelernte Vervollständigungsfunktionen können verdeckte Bereiche ableiten, ihre Wahrscheinlichkeit kann jedoch außerhalb der Trainingsdaten zu hoch sein. Zuverlässigkeitsdiagramme, erwartete Kalibrierungsfehler, Entfernungen, Wetter, Geografie und Sensorfehler sollten ausgewertet werden.

Bei der Reduzierung von 3D auf eine 2D-Planungsebene muss der Hindernishöhenbereich explizit definiert werden. Eine niedrige Bordsteinkante, befahrbares Gras und ein Oberlicht können nicht unter derselben Projektionsregel berechnet werden.

Von Belegung zu Kosten und Steuerung

Die Planung verwendet Kollisions- und Nähekosten anstelle der reinen Belegung. Ein Inflationsmodell für die Hindernisentfernung ist $d$ .

C(d)= \begin{cases} C_{lethal}, & d\le r_{inscribed}\\ C_0e^{-\alpha(d-r_{inscribed})}, & r_{inscribed}<d<r_{inflation}\\ 0, & d\ge r_{inflation} \end{cases}

Berücksichtigen Sie die Fahrzeugaufstandsfläche und das überstrichene Volumen, die Positions- und Tracking-Kovarianz, den Regler-Tracking-Fehler und den Bremsweg. Ein kreisförmiger Roboterradius ist für ein langes Fahrzeug in einer Kurve unzureichend.

Pfadplanung – Einführung erklärt die A- und Hybrid-A-Suche nach Kosten. MPC – Einführung optimiert eine vorhergesagte Trajektorie unter Berücksichtigung von Fahrzeug- und Hindernisbeschränkungen. Wenn die Kartierung mit 5 Hz und die Steuerung mit 50 Hz erfolgt, muss der Regler den Gitterzeitstempel und das Verhalten der Grenzen bei veralteten Daten überprüfen.

ROS 2 Nav2 Costmap2D verknüpft statische Karten, Hindernisse, Voxel, Inflation, Sperrzonen und Geschwindigkeitsfilter über Plugins. Die Reihenfolge ist wichtig: Ein nach der Inflation eingefügtes Hindernis erhält nicht den erwarteten Sicherheitsabstand.

Kooperative Nutzung über V2X

V2X kann eine gemeinsame Nutzung eines Verdeckter Bereich, bevor die Sensoren ihn erfassen. Die Kachel benötigt Quellrahmen, Messzeitpunkt, Kovarianz der Senderposition und Herkunft. Wenn mehrere Fahrzeuge dieselbe Beobachtung am Straßenrand übermitteln, führt die Behandlung dieser Daten als unabhängige Beweise zu einer doppelten Zählung der Konfidenzwerte.

Während der Kommunikationsverzögerung $\Delta t$ bewegt sich ein dynamisches Objekt um $v\Delta t$ . Statische von dynamischen Inhalten trennen, Bewegung propagieren und lokale Beweise niemals allein aufgrund der Signatur eines Pakets überschreiben. Ein kompromittierter Sender kann die gesamte Straße als gesperrt markieren; physikalische Konsistenz und Quellendiversität sind neben der Authentifizierung erforderlich.

Fehlermuster und Sicherheitsreaktion

Unbekanntes als frei behandeln

Das Initialisieren nicht erfasster Sensorbereiche mit Null direkt nach dem Start führt zu einer Route durch das, was sich tatsächlich hinter einer Wand befindet. Ein Erkundungsroboter sollte unbekanntem Raum eigene Kosten für das Befahren zuordnen; ein Fahrzeug im öffentlichen Straßenverkehr sollte unbekannten Raum innerhalb seines Bremswegs vorsichtig behandeln.

Zu aggressives Freiräumen

Das Entfernen einer Wand aus einem einzelnen "No Return" ermöglicht es Glas oder Regen, eine Wand zu zerstören. Hindernis verschwindet. Verwenden Sie unterschiedliche Aktualisierungsgrößen für belegte und freie Bereiche, fordern Sie mehrere Bestätigungen an und gewichten Sie die Zuverlässigkeit nach Sensortyp.

Verwendung einer veralteten Karte

Ein aktueller Zeitstempel garantiert keine aktuelle Karte – der vorgelagerte Schätzer kann blockiert sein und dieselben Daten erneut senden. Überwachen Sie die Generierungszeit, Sequenznummern, den aktualisierten Bereich und den Heartbeat des Eingangssensors.

Inflation nicht an Geschwindigkeit angepasst

Die Wiederverwendung des festen Inflationsradius eines langsam fahrenden Lagerroboters für ein schnell fahrendes Fahrzeug führt dazu, dass es nicht rechtzeitig anhalten kann. Für die Reaktionsverzögerung $T$ , die Geschwindigkeit $v$ und die maximale Verzögerung $a$ ergibt sich eine grobe Schätzung des Längsspielraums von:

d_{safe}=vT+\frac{v^2}{2a}+d_{margin}.

Eine asymmetrische Inflation, die sich lateral und longitudinal unterscheidet, sowie eine Kollisionsprüfung entlang der gesamten vorhergesagten Trajektorie sind erforderlich.

Metriken und Experimente Vorgehensweise

Zellmetriken umfassen Präzision und Trefferquote belegter/freier Zellen, IoU, Brier-Score, negative Log-Likelihood und Kalibrierung. Die Gesamtgenauigkeit ist irreführend, da freie Zellen dominieren. Segmentieren Sie nach Entfernung, Verdeckung, Klasse, Wetter und Zeit seit der Beobachtung.

Systemmetriken umfassen Kollisionen und Beinaheunfälle, Planungsfehler, Störstopps, minimalen Hindernisabstand, Kartenlatenz, CPU-, Speicher- und Bandbreitenauslastung. Messen Sie die End-to-End-Zeit vom Auftreten eines physischen Hindernisses über Erfassung, Kartierung, Planung und Steuerung.

Führen Sie Unit-Tests mit einem Strahl, Markierungs-/Löschsemantik, Begrenzungen und Frame-Konvertierungen anhand bekannter Geometrie durch.
Spielen Sie Aufzeichnungen wieder und überprüfen Sie die deterministische Ausgabe sowie die vollständige Konfigurationsprotokollierung.
Fügen Sie Zeitstempel-Offset, Positionsfehler, Hindernisse, Niederschlagsrauschen und Kommunikationsverlust hinzu.
Testen Sie statische Hindernisse, querende Fußgänger, überholenden Verkehr und Anhalten-dann-Weiterfahren-Szenarien.
Verbinden Sie Planung und Steuerung; testen Sie veraltete Raster, unbekannten Raum und partielle Aktualisierungen.
Spielen Sie eine feste Regression wieder. Korpus nach jeder Aktualisierung und Vergleich von Trajektorie und Sicherheitsabstand, nicht nur Raster-IoU.

Forschungsrichtungen

Semantische Gitter ordnen Verteilungen Straßen, Gehwegen, Fahrzeugen, Fußgängern und Vegetation zu. 4D-Belegung und -Fluss prognostizieren Volumen und Bewegung in der Zukunft. Neuronale implizite Felder ersetzen die feste Rasterauflösung durch kontinuierliche Abfragen. Kooperative Gitter erweitern die Sichtlinie. All dies wirft neue Fragen auf: Wahrscheinlichkeitskalibrierung, Verhalten außerhalb der Verteilung, begrenzte Kollisionsabfragezeit, Quellenkorrelation und Angriffsresistenz.

Zusammenfassung

Ein Belegungsgitter ist keine reine Farbgebung. Es liefert Bayes'sche Evidenz über freien, belegten und unbeobachteten Raum, verknüpft mit Zeitstempeln und Positionsunsicherheit. Log-Odds-Aktualisierungen, inverse Sensormodelle, Strahlbereinigung, Begrenzungen und Abklingprozesse erklären sowohl „Geisterhindernisse“ als auch verschwindende Wände.

Das Gitter ist jedoch nicht vollständig. SLAM liefert einen Rahmen, die Wahrnehmung liefert dynamische und semantische Evidenz, und Planung und MPC nutzen Footprint- und Kosten, die ein Anhalten erfordern. Der finale Test ist keine ästhetisch ansprechende Karte, sondern prüft, ob das System sicher anhält, unerwünschtes Verhalten vermeidet und nicht beobachteten Raum nicht als frei behandelt.

Überprüfen Sie Ihr Verständnis

Ist eine nicht beobachtete Zelle dasselbe wie eine freie Zelle?

Nicht beobachteter Raum wurde nicht als frei verifiziert. Unterscheiden Sie zwischen freien, belegten und unbekannten Zuständen und definieren Sie, wie die Planung mit unbekanntem Raum umgeht.

Referenzen

Try it in the browser

Lab Change the conditions in a browser experimentNav2 hat einen Pfad, bewegt sich aber nicht: ein Diagnose-Workflow