Mapeo de cuadrículas de ocupación: transformando la evidencia de LiDAR y cámaras en transitabilidad.

Contents — find the section you need

Una nube de puntos LiDAR puede hacer que muros y carreteras parezcan increíblemente precisos. Un planificador necesita una respuesta diferente: ¿dónde cabe la carrocería del vehículo?, ¿qué espacio no se ha observado?, ¿cuán incierto es un obstáculo?, ¿cuándo debería desaparecer la huella de un peatón en movimiento? Una cuadrícula de ocupación divide el espacio continuo en celdas y acumula la probabilidad de que cada celda esté ocupada.

No se trata simplemente de una imagen en blanco y negro. Las celdas atravesadas por un rayo de alcance proporcionan evidencia de espacio libre; un punto final válido proporciona evidencia de ocupación; las celdas que ningún rayo ha observado permanecen desconocidas. Marcar el espacio desconocido como libre permite guiar un vehículo a través de un callejón oculto o detrás de un muro. Este artículo relaciona una actualización de alcance con el mapeo bayesiano, SLAM, dinámica, representaciones 3D, planificación y evaluación de seguridad.

LiDAR como fuente de observación de cuadrícula de ocupación

Imagen: Concept de LiDAR (Cartographer3d, CC BY-SA 4.0), Wikimedia Commons. Este es un concepto de tiempo de vuelo, no una implementación específica de la cuadrícula descrita aquí para un vehículo o producto.

Conclusión breve

Almacenar una probabilidad para cada celda. Los valores cercanos a 0,5 representan una celda desconocida, los cercanos a uno una celda ocupada y los cercanos a cero una celda libre.
El logaritmo de las probabilidades convierte la evidencia bayesiana recursiva en una suma. Limitar su rango permite que un obstáculo antiguo y fuertemente creído pueda ser eliminado eventualmente. - Marca un punto final de retorno válido y traza el espacio libre antes de él. No apliques el mismo modelo inverso a errores de alcance máximo, no retorno, vidrio, polvo, nieve ni hardware.
Un mapa SLAM admite la localización y la estructura persistente; un mapa de costos local dinámico admite la evitación inmediata de colisiones. Separa las escalas de tiempo estáticas y dinámicas.
El vehículo no es un punto. Considera los obstáculos según su huella, la incertidumbre de la pose y el seguimiento, el error del controlador y el margen de parada antes de la planificación.
La ocupación semántica, el flujo de ocupación futura y los mapas neuronales implícitos son líneas de investigación activas, pero la latencia de la consulta de colisión, la calibración y el comportamiento en espacios desconocidos siguen siendo factores decisivos.

De un rayo de alcance a celdas

Figura 1 — Un modelo de sensor inverso marca el punto final y borra las celdas anteriores. El espacio gris desconocido no es espacio libre.

Para el origen $(x_0,y_0)$ y la resolución $r$ , un punto del mundo $(x,y)$ se mapea a:

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

Reducir a la mitad $r$ aproximadamente cuadruplica la memoria 2D y multiplica por ocho la memoria densa de vóxeles 3D. La resolución inferior a la del sensor y la incertidumbre de la pose generan parpadeo en lugar de una precisión real.

Las transformaciones entre un marco de mapa persistente, un marco de odometría continua, la carrocería del vehículo y el sensor deben evaluarse en la marca de tiempo de la medición. Una nube de puntos actual transformada con una pose antigua del vehículo gira en línea recta. Paredes en bandas inclinadas. Muchos defectos aparentes en el mapeo son defectos de reloj y de marco.

Actualización bayesiana y de probabilidades logarítmicas

Sea $O_i$ la ocupación de la celda $m_i$ , las observaciones a lo largo del tiempo $t$ $z_{1:t}$ y las poses $x_{1:t}$ . El mapa almacena:

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

Las cuadrículas clásicas asumen la independencia de las celdas para facilitar el procesamiento y utilizan un modelo inverso de sensor $P(O_i\mid z_t,x_t)$ . Esto descarta la correlación espacial, como la continuidad de una pared, pero permite actualizaciones locales eficientes.

Definir probabilidades logarítmicas:

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

La actualización recursiva se convierte en:

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}

Con $p_0=0.5$ y $l_0=0$ . La evidencia de ocupación añade un incremento positivo y la evidencia libre un incremento negativo. Recuperar la probabilidad mediante

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

En la práctica, se recomienda fijar el valor a $l_{min}\le l_{t,i}\le l_{max}$ . Sin saturación, un objeto observado durante horas puede requerir cientos de observaciones libres para desaparecer tras su movimiento. La fijación del valor determina la capacidad del sistema para revisar el historial, no solo la integridad numérica.

El modelo inverso del sensor

Para un escaneo 2D, Bresenham o DDA enumeran las celdas a lo largo de un haz. Un punto final válido marca la ocupación y las celdas precedentes reciben evidencia libre. Los diferentes estados de retorno requieren diferentes políticas:

Un retorno válido puede marcar el punto final y eliminarse antes de alcanzarlo.
Una muestra de rango máximo o sin retorno puede eliminarse dentro de un rango verificado, según la semántica del dispositivo.
Los datos por debajo del rango mínimo no deben eliminarse en una zona ciega de campo cercano.
La lluvia, la nieve, los insectos y el polvo se benefician de los filtros de consistencia espacial y temporal.
El vidrio y las superficies de baja reflectancia pueden no generar retorno. Evidencia insegura de espacio libre.

La profundidad de la cámara, la estereoscopía y la segmentación semántica se pueden proyectar al suelo. La salida de la clase monocular por sí sola no tiene un rango preciso. Si la proyección asume un plano de carretera, profundidad aprendida o dimensiones del objeto, se distribuye la incertidumbre correspondiente. Un mapa de características dispersas utilizado por Visual SLAM y una cuadrícula de colisión tienen funciones diferentes.

Incertidumbre de pose y cierre de bucle

Sea $g(x,z)$ la función que transforma el punto del sensor $z$ en coordenadas del mundo mediante la pose $x$ ; con la covarianza de pose $P_x$ y la covarianza de medición $R_z$ , la propagación de primer orden del punto linealizado da como resultado:

P_p\approx J_xP_xJ_x^T+J_zR_zJ_z^T

Marcar fuertemente una celda pequeña mientras la localización es incierta engrosa las paredes en pasadas repetidas. Distribuir la evidencia espacialmente o actualizarla Coordenadas de submapas. Cuando el cierre de bucle modifica poses antiguas, los puntos que quedan irreversiblemente grabados en un ráster global son difíciles de reparar; los gráficos de poses y los submapas se pueden reconstruir tras la optimización. Véase LiDAR SLAM Primer.

Separar capas estáticas, locales y dinámicas

Capa	Escala de tiempo	Ejemplos	Política de actualización
Estático	De días a años	Muro, bordillo, edificio	Mapa SLAM/HD, actualizaciones controladas
Temporal	Segundos	Vehículo estacionado, objeto caído	Marcado, limpieza, decaimiento
Dinámico	De décimas a segundos	Vehículo, peatón, ciclista	Seguimiento y ocupación futura
Semántico/Reglas	Versión del mapa	Carril, línea de parada, zona restringida	Código fuente versionado
Margen de seguridad	Ciclo de control	Huella, margen de parada	Dependiente de la velocidad y la incertidumbre

Un decaimiento simple es:

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

Un $\tau$ demasiado pequeño borra un obstáculo estacionario; uno demasiado grande deja rastros tras el tráfico en movimiento. Rastree los objetos dinámicos por separado siempre que sea posible y evite que sus observaciones contaminen permanentemente la estructura estática.

La ocupación futura $P(O_{i,k})$ o el flujo de ocupación representa dónde podría ocuparse el espacio en el siguiente paso $k$ . A diferencia de un detector de cajas, puede representar obstáculos no clasificados y múltiples hipótesis espaciales. La calibración sigue siendo fundamental: una predicción de ocupación de 0,9 debería ser correcta aproximadamente el 90 % de las veces dentro de la distribución evaluada.

2D, elevación, vóxeles y BEV

Una cuadrícula 2D es rápida, pero no puede representar de forma natural voladizos, ramas, el hueco bajo un camión o pendientes. Un mapa de elevación 2.5D almacena estadísticas de altura por celda; una cuadrícula de vóxeles discretiza el volumen; OctoMap comprime el volumen ocupado. octree.

Las redes de conducción automatizada transforman cada vez más las características de la cámara, el LiDAR y el radar en una vista aérea y predicen la ocupación, la semántica y el movimiento. La compleción aprendida puede inferir regiones ocluidas, pero su probabilidad puede ser excesivamente optimista fuera de los datos de entrenamiento. Evalúe los diagramas de fiabilidad, el error de calibración esperado, la distancia, el clima, la geografía y las secciones de fallos del sensor.

Al reducir 3D a una capa de planificación 2D, defina explícitamente la banda de altura del obstáculo. Un bordillo bajo, césped transitable y una viga superior no pueden compartir una misma regla de proyección.

De la ocupación al coste y el control

La planificación utiliza el coste de colisión y proximidad en lugar de la ocupación bruta únicamente. Un modelo de inflación para la distancia del obstáculo $d$ es:

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}

Tenga en cuenta la huella del vehículo y el volumen barrido, la covarianza de la pose y el seguimiento, el error de seguimiento del controlador y la distancia de frenado. Un radio de robot circular es insuficiente para un vehículo largo durante un giro.

[Trayectoria] Introducción a la planificación explica la búsqueda A e híbrida A sobre los costos. Introducción al MPC optimiza una trayectoria predicha sujeta a restricciones de vehículos y obstáculos. Si el mapeo se ejecuta a 5 Hz y el control a 50 Hz, el controlador debe inspeccionar la marca de tiempo de la cuadrícula y el comportamiento de los límites con datos obsoletos.

ROS 2 Nav2 Costmap2D superpone mapas estáticos, obstáculos, vóxeles, inflación, zonas de exclusión y filtros de velocidad mediante complementos. El orden es importante: un obstáculo insertado después de la inflación no recibirá el margen esperado.

Ocupación cooperativa mediante V2X

V2X puede compartir una región ocluida antes de que los sensores propios la detecten. El mosaico necesita el marco de origen, el tiempo de medición, la covarianza de la pose del emisor y la procedencia. Si varios vehículos transmiten la misma observación en la carretera, se tratan como evidencia independiente. Contabiliza la confianza de forma duplicada.

Durante el retardo de comunicación $\Delta t$ , un objeto dinámico se mueve alrededor de $v\Delta t$ . Separe el contenido estático del dinámico, propague el movimiento y nunca anule la evidencia local simplemente porque un paquete esté firmado. Un remitente comprometido puede marcar toda la carretera como bloqueada; se requiere consistencia física y diversidad de fuentes más allá de la autenticación.

Patrones de fallo y respuesta de seguridad

Tratar lo desconocido como libre

Inicializar las regiones de sensores no observadas a cero justo después del arranque crea una ruta a través de lo que realmente hay detrás de una pared. Un robot de exploración debería asignar un coste propio al espacio desconocido para aventurarse en él; un vehículo en vías públicas debería tratar el espacio desconocido dentro de su distancia de frenado con cautela.

Borrar demasiado agresivamente

Eliminar una pared de una sola "sin retorno" permite que el vidrio o la lluvia hagan desaparecer un obstáculo. Utilice diferentes magnitudes de actualización para la evidencia ocupada frente a la libre, requiera múltiples confirmaciones y pondere la confianza según el tipo de sensor.

Usar un mapa obsoleto

Una marca de tiempo reciente no garantiza una actualización reciente Mapa: el estimador ascendente podría haberse bloqueado y estar reenviando los mismos datos. Monitoree el tiempo de generación, los números de secuencia, la región actualizada y la frecuencia del sensor de entrada.

Inflado no ajustado a la velocidad

Reutilizar el radio de inflado fijo de un robot de almacén de baja velocidad para un vehículo de alta velocidad significa que no puede detenerse a tiempo. Para el retardo de respuesta $T$ , la velocidad $v$ y la desaceleración máxima $a$ , una estimación aproximada del margen longitudinal es:

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

Se requiere un inflado asimétrico que difiera lateral y longitudinalmente, así como la verificación de colisiones con respecto a toda la trayectoria predicha.

Métricas y procedimiento experimental

Las métricas de celda incluyen precisión y exhaustividad de celdas ocupadas/libres, IoU, puntuación de Brier, log-verosimilitud negativa y calibración. La precisión general es engañosa porque predominan las celdas libres. Segmentar por rango, oclusión, clase, clima y Tiempo transcurrido desde la observación.

Las métricas del sistema incluyen colisiones y cuasi colisiones, fallos de planificación, paradas innecesarias, separación mínima de obstáculos, latencia del mapa, CPU, memoria y ancho de banda. Se mide el tiempo total desde la aparición física del obstáculo hasta la detección, el mapeo, la planificación y el control.

Se realizan pruebas unitarias de un rayo, semántica de marcado/borrado, límites y conversiones de fotogramas con geometría conocida.
Se reproducen las grabaciones y se verifica la salida determinista y el registro completo de la configuración.
Se introducen desfase de marca de tiempo, error de pose, obstrucción, ruido de precipitación y pérdida de comunicación.
Se prueban obstáculos estáticos, peatones cruzando, adelantamientos y casos de parada y posterior movimiento.
Se conecta la planificación y el control; se experimenta con cuadrículas obsoletas, espacio desconocido y actualizaciones parciales.
Se reproduce un corpus de regresión fijo después de cada actualización y se compara la trayectoria y el margen de seguridad, no solo la IoU raster.

Líneas de investigación

Las cuadrículas semánticas adjuntan distribuciones sobre carreteras, aceras, vehículos, peatones y vegetación. La ocupación y el flujo 4D predicen el volumen y el movimiento a lo largo del tiempo. Los campos neuronales implícitos intercambian la resolución raster fija por consultas continuas. Las cuadrículas cooperativas extienden la línea de visión. Todo ello plantea nuevas preguntas: calibración de probabilidad, comportamiento fuera de distribución, tiempo de consulta de colisión limitado, correlación de fuentes y resistencia a ataques.

Resumen

Una cuadrícula de ocupación no es un simple ejercicio de coloración. Es evidencia bayesiana sobre el espacio libre, ocupado y no observado, vinculada a marcas de tiempo e incertidumbre de pose. Las actualizaciones de probabilidades logarítmicas, los modelos inversos de sensores, el despeje de rayos, las restricciones y el decaimiento explican tanto los "obstáculos fantasma" como las paredes que desaparecen.

La cuadrícula tampoco es completa por sí sola. SLAM proporciona un marco, la percepción aporta evidencia dinámica y semántica, y la planificación y el MPC consumen costes que tienen en cuenta la huella y la detención. La prueba final no es un mapa bonito; es si el sistema se detiene de forma segura, evita comportamientos molestos y se niega a tratar el espacio no visto como libre comprobado.

Comprueba tu comprensión

¿Una celda no observada es lo mismo que una celda libre?

El espacio no observado no se ha verificado como libre. Distingue entre estados libres, ocupados y desconocidos, y define cómo la planificación trata el espacio desconocido.

Referencias

Try it in the browser

Lab Change the conditions in a browser experimentNav2 tiene una ruta pero no se moverá: un flujo de trabajo de diagnóstico