Cartographie de la grille d'occupation — Transformer les données LiDAR et caméra en informations de traversabilité

Un nuage de points LiDAR permet de visualiser les murs et les routes avec une précision remarquable. Cependant, un planificateur a besoin d'une autre réponse : où le véhicule peut-il s'insérer ? Quels espaces restent inexplorés ? Quel est le degré d'incertitude concernant un obstacle ? Et quand la trace d'un piéton en mouvement doit-elle disparaître ? Une grille d'occupation divise l'espace continu en cellules et calcule la probabilité d'occupation de chaque cellule.

Il ne s'agit pas d'une simple image en noir et blanc. Les cellules traversées par un rayon de télémétrie indiquent un espace libre ; un point d'arrivée valide indique une occupation ; les cellules non observées restent inconnues. Représenter un espace inconnu comme libre permet de faire passer un véhicule par une ruelle invisible ou derrière un mur. Cet article établit un lien entre la mise à jour de la portée et la cartographie bayésienne, le SLAM, la dynamique, les représentations 3D, la planification et l'évaluation de la sécurité.

LiDAR comme source d'observation de grille d'occupation

Image : Concept du LiDAR" (Cartographer3d, CC BY-SA 4.0), Wikimedia Commons. Il s'agit d'un concept de temps de vol, et non d'une implémentation spécifique de la grille décrite ici dans un véhicule ou un produit.

Conclusion

• Stocker une probabilité pour chaque cellule. Les valeurs proches de 0,5 représentent une cellule inconnue, les valeurs proches de 1 une cellule occupée et les valeurs proches de 0 une cellule libre.

• Le logarithme du rapport de cotes transforme les preuves bayésiennes récursives en une addition. Limiter sa plage de valeurs permet de lever un obstacle ancien et fortement supposé.

• Marquez un point de retour valide et effectuez un lancer de rayons dans l'espace libre qui le précède. Ne traitez pas la portée maximale, l'absence de retour, le verre, la poussière, la neige et les erreurs matérielles avec le même modèle inverse.

• Une carte SLAM assure la localisation et une structure persistante ; une carte de coûts locale dynamique permet d'éviter les collisions immédiatement. Distinguez les échelles de temps statiques et dynamiques.

• Le véhicule n'est pas un point. Intégrez les obstacles en fonction de leur empreinte au sol, de l'incertitude de leur pose et de leur suivi, des erreurs de contrôle et de la marge d'arrêt avant la planification.

• L'occupation sémantique, le flux d'occupation futur et les cartes implicites neuronales sont des axes de recherche actifs, mais la latence des requêtes de collision, le calibrage et le comportement en espace inconnu restent des points cruciaux.

Du rayon de portée aux cellules

Figure 1 — Un modèle de capteur inverse marque le point final et efface les cellules qui le précèdent. L'espace gris inconnu n'est pas un espace libre.

Pour l'origine (x_0,y_0) et la résolution r, un point du monde (x,y) est mappé sur

Diviser par deux r quadruple approximativement la mémoire 2D et multiplie par huit la mémoire voxel 3D dense. Une résolution inférieure à l'incertitude du capteur et de la pose crée un scintillement plutôt qu'une précision réelle.

Les transformations entre un repère cartographique persistant, un repère d'odométrie continu, la carrosserie du véhicule et le capteur doivent être évaluées à l'horodatage de la mesure. Un nuage de points actuel transformé avec Une ancienne pose de véhicule transforme les murs droits en bandes obliques. De nombreux défauts de cartographie apparents sont dus à des erreurs d'horloge et de repère.

Mise à jour bayésienne et logarithmique des cotes

Soit O_i l'occupation de la cellule m_i, les observations au cours du temps t z_{1:t} et les poses x_{1:t}. La carte stocke :

Les grilles classiques supposent l'indépendance des cellules pour des raisons de simplicité et utilisent un modèle de capteur inverse P(O_i\mid z_t,x_t). Ce modèle néglige la corrélation spatiale, comme la continuité d'un mur, mais permet des mises à jour locales efficaces.

Définition des logarithmes des cotes :

La mise à jour récursive devient :

Avec p_0=0.5 et l_0=0. Les données d'occupation ajoutent un incrément positif, tandis que les données libres ajoutent un incrément négatif. La probabilité est récupérée via :

En pratique, il est recommandé de limiter la valeur à l_{min}\le l_{t,i}\le l_{max}. Sans saturation, un objet observé pendant des heures peut nécessiter des centaines d'observations libres pour disparaître après son déplacement. Le choix de limiter la valeur dépend de la capacité du système à réviser l'historique, et non pas seulement de la qualité numérique.

Modèle de capteur inverse

Pour un balayage 2D, Bresenham ou DDA énumère les cellules le long d'un faisceau. Un point d'extrémité valide marque l'occupation, et les cellules précédentes reçoivent des données libres. Différents états de retour nécessitent différentes politiques :

• Un retour valide peut marquer le point d'extrémité et s'effacer avant celui-ci.

• Un échantillon de portée maximale ou sans retour peut s'effacer dans une plage vérifiée, selon la sémantique de l'appareil.

• Les données inférieures à la portée minimale ne doivent pas effacer une zone aveugle en champ proche.

• La pluie, la neige, les insectes et la poussière bénéficient de filtres de cohérence spatiale et temporelle.

• Le verre et les surfaces à faible réflectance peuvent rendre l'absence de retour une preuve non fiable de cellule libre. Espace.

La profondeur de la caméra, la stéréovision et la segmentation sémantique peuvent être projetées au sol. La sortie de classe monoculaire seule ne permet pas une portée précise. Si la projection suppose un plan de route, une profondeur apprise ou les dimensions de l'objet, il faut répartir l'incertitude correspondante. Une carte de caractéristiques clairsemée utilisée par le SLAM visuel et une grille de collision ont des rôles différents.

Incertitude de pose et fermeture de boucle

Soit g(x,z) la fonction qui transforme le point capteur z en coordonnées monde via la pose x ; avec la covariance de pose P_x et la covariance de mesure R_z, la propagation du premier ordre du point linéarisé donne :

Un marquage fort d'une petite cellule alors que la localisation est incertaine épaissit les parois lors de passages répétés. Il faut distribuer les preuves spatialement ou les mettre à jour dans la sous-carte. Coordonnées. Lorsque la fermeture de boucle modifie les anciennes poses, les points définitivement intégrés à un raster global sont difficiles à réparer ; les graphes de poses et les sous-cartes peuvent être réassemblés après optimisation. Voir LiDAR SLAM Primer.

Séparation des couches statiques, locales et dynamiques

Une dégradation simple est :

Un \tau trop petit efface un obstacle immobile ; trop grand laisse des traces derrière le trafic en mouvement. Suivez les objets dynamiques séparément lorsque cela est possible et évitez que leurs observations ne contaminent durablement la structure statique.

L’occupation future P(O_{i,k}) ou flux d’occupation représente l’espace susceptible d’être occupé à l’étape future k. Contrairement à un détecteur de boîtes, il peut représenter des obstacles non classés et plusieurs hypothèses spatiales. L’étalonnage reste crucial : une prédiction d’occupation de 0,9 devrait être correcte environ 90 % du temps dans la distribution évaluée.

2D, élévation, voxels et VEB

Une grille 2D est rapide, mais ne peut pas représenter naturellement les surplombs, les branches, l’espace sous un camion ou les pentes. Une carte d’élévation 2,5D stocke les statistiques de hauteur par cellule ; une grille de voxels discrétise le volume ; OctoMap compresse le volume occupé dans un octree.

Les réseaux de conduite automatisée sont de plus en plus… Transformez les données de la caméra, du LiDAR et du radar en une vue aérienne et prédisez l'occupation, la sémantique et le mouvement. L'apprentissage automatique permet de déduire les zones occultées, mais sa probabilité peut être surestimée en dehors des données d'entraînement. Évaluez les diagrammes de fiabilité, l'erreur d'étalonnage attendue, la distance, les conditions météorologiques, la géographie et les zones de défaillance des capteurs.

Lors de la réduction de la 3D à une couche de planification 2D, définissez explicitement la plage de hauteur des obstacles. Un trottoir bas, de l'herbe praticable et une poutre aérienne ne peuvent pas partager la même règle de projection.

De l'occupation au coût et au contrôle

La planification utilise les coûts de collision et de proximité plutôt que la seule occupation brute. Un modèle d'inflation pour la distance aux obstacles est disponible :

Prenez en compte l'empreinte au sol et le volume balayé par le véhicule, la covariance de pose et de suivi, l'erreur de suivi du contrôleur et la distance d'arrêt. Un rayon de braquage circulaire est insuffisant pour un véhicule long dans un virage.

[Planification de trajectoire] Primer explique les algorithmes de recherche A et A hybride en fonction des coûts. MPC Primer optimise une trajectoire prédite en tenant compte des contraintes liées aux véhicules et aux obstacles. Si la cartographie est effectuée à 5 Hz et le contrôle à 50 Hz, le contrôleur doit vérifier l'horodatage de la grille et le comportement des limites en cas de données obsolètes.

ROS 2 Nav2 Costmap2D superpose des cartes statiques, des obstacles, des voxels, des zones d'inflation, des zones interdites et des filtres de vitesse via des plugins. L'ordre est important : un obstacle inséré après l'inflation ne bénéficiera pas de la marge attendue.

Occupation coopérative via V2X

V2X peut partager une région occultée avant même que les capteurs du véhicule ne la détectent. La tuile nécessite le repère source, l'heure de mesure, la covariance de la pose de l'émetteur et la provenance. Si plusieurs véhicules transmettent la même observation en bord de route, les considérer comme des preuves indépendantes entraîne un double comptage. Confiance.

Pendant le délai de communication \Delta t, un objet dynamique se déplace autour de v\Delta t. Séparez le contenu statique du contenu dynamique, propagez le mouvement et ne remplacez jamais les preuves locales simplement parce qu'un paquet est signé. Un expéditeur compromis peut marquer toute la route comme bloquée ; la cohérence physique et la diversité des sources sont requises au-delà de l'authentification.

Modèles de défaillance et réponse de sécurité

Considérer l'inconnu comme libre

Initialiser les zones de capteurs non observées à zéro juste après le démarrage trace un chemin à travers ce qui se trouve réellement derrière un mur. Un robot d'exploration devrait attribuer un coût spécifique à l'espace inconnu pour s'y aventurer ; un véhicule sur route publique devrait traiter l'espace inconnu dans sa distance d'arrêt avec prudence.

Nettoyage trop agressif

Effacer un mur à partir d'un seul « sans retour » permet au verre ou à la pluie de faire disparaître un obstacle. Utilisez des amplitudes de mise à jour différentes pour les preuves occupées et libres, exigez plusieurs confirmations et pondérez la confiance par type de capteur.

Utilisation d'une carte obsolète

Un horodatage récent ne garantit pas une carte à jour — l'estimateur en amont peut Le processus est bloqué et les mêmes données sont renvoyées. Surveillez le temps de génération, les numéros de séquence, la zone mise à jour et le signal du capteur d'entrée.

Gonflement non adapté à la vitesse

Réutiliser le rayon de gonflage fixe d'un robot d'entrepôt à basse vitesse pour un véhicule à grande vitesse signifie qu'il ne peut pas s'arrêter à temps. Pour le délai de réponse T, la vitesse v et la décélération maximale a, une estimation approximative de la marge longitudinale est :

Un gonflage asymétrique, différant latéralement et longitudinalement, et une vérification des collisions par rapport à la trajectoire prédite complète sont tous deux nécessaires.

Métriques et procédure expérimentale

Les métriques cellulaires incluent la précision et le rappel des cellules occupées/libres, l'IoU, le score de Brier, la log-vraisemblance négative et l'étalonnage. La précision globale est trompeuse car les cellules libres sont prédominantes. Analysez les données par portée, occlusion, classe, conditions météorologiques et temps écoulé depuis l'observation.

Système Les indicateurs comprennent les collisions et quasi-accidents, les échecs de planification, les arrêts intempestifs, le dégagement minimal d'obstacle, la latence de la carte, le processeur, la mémoire et la bande passante. Mesurer le temps de bout en bout, de l'apparition physique de l'obstacle à la détection, la cartographie, la planification et le contrôle.

1. Tester un rayon, la sémantique de marquage/effacement, les limites et les conversions d'images par rapport à une géométrie connue.

2. Relire les enregistrements et vérifier la sortie déterministe et la journalisation complète de la configuration.

3. Injecter un décalage temporel, une erreur de pose, une obstruction, du bruit dû aux précipitations et une perte de communication.

4. Tester les obstacles statiques, les piétons traversant la route, le trafic de dépassement et les cas d'arrêt puis de déplacement.

5. Connecter la planification et le contrôle ; s'exercer avec des grilles obsolètes, un espace inconnu et des mises à jour partielles.

6. Relier un corpus de régression fixe après chaque mise à jour et comparer la trajectoire et la marge de sécurité, et pas seulement l'IoU raster.

Axes de recherche

Les grilles sémantiques associent des distributions sur la route, le trottoir, les véhicules, les piétons et la végétation. L'occupation et le flux 4D prédisent le volume et le mouvement à venir. Le temps. Les champs implicites neuronaux échangent une résolution raster fixe contre des requêtes continues. Les grilles coopératives étendent la ligne de visée. Toutes soulèvent de nouvelles questions : calibration des probabilités, comportements hors distribution, temps de requête de collision borné, corrélation des sources et résilience aux attaques.

Résumé

Une grille d'occupation n'est pas un simple exercice de coloriage. Elle représente une preuve bayésienne de l'espace libre, occupé et non observé, liée aux horodatages et à l'incertitude de la pose. Les mises à jour logarithmiques des cotes, les modèles de capteurs inverses, le dégagement des rayons, les limitations et la décroissance expliquent à la fois les « obstacles fantômes » et la disparition des murs.

La grille n'est pas complète en elle-même. Le SLAM fournit un cadre, la perception apporte des preuves dynamiques et sémantiques, et la planification et le MPC consomment des coûts liés à l'empreinte et à l'arrêt. Le test final n'est pas une belle carte ; il s'agit de savoir si le système s'arrête en toute sécurité, évite les comportements indésirables et refuse de considérer l'espace non observé comme étant libre.

Références

• H. Moravec et A. Elfes — Cartes haute résolution à partir d'un sonar grand angle, IEEE ICRA 1985

• A. Elfes — Utilisation de grilles d'occupation pour la perception et la navigation des robots mobiles

• Nav2 — Costmap 2D

• Nav2 — Configuration de la cartographie et de la localisation

• ROS 2 — nav_msgs/OccupancyGrid

• OctoMap — Cadre de cartographie 3D probabiliste

• Documentation Autoware