Contents — find the section you need

LiDAR पॉइंट क्लाउड से दीवारें और सड़कें बेहद सटीक दिखाई दे सकती हैं। लेकिन योजनाकार को एक अलग तरह के जवाब की ज़रूरत होती है: वाहन का ढांचा कहां फिट हो सकता है, कौन सा स्थान पहले कभी नहीं देखा गया है, कोई बाधा कितनी अनिश्चित है, और चलते हुए पैदल यात्री का निशान कब गायब हो जाना चाहिए? एक ऑक्यूपेंसी ग्रिड निरंतर स्थान को सेलों में विभाजित करता है और प्रत्येक सेल के भरे होने की संभावना को एकत्रित करता है।

यह केवल एक ब्लैक-एंड-व्हाइट छवि नहीं है। रेंज रे द्वारा पार किए गए सेल खाली स्थान का प्रमाण देते हैं; एक वैध अंतिम बिंदु भरे होने का प्रमाण देता है; जिन सेलों को रे ने नहीं देखा है वे अज्ञात रहते हैं। अज्ञात स्थान को खाली के रूप में चिह्नित करने से वाहन को किसी अनदेखी गली या दीवार के पीछे से रास्ता दिखाया जा सकता है। यह लेख एक रेंज अपडेट को बायेसियन मैपिंग, SLAM, डायनामिक्स, 3D निरूपण, योजना और सुरक्षा मूल्यांकन से जोड़ता है।

छवि: Concept of LiDAR (Cartographer3d, CC BY-SA 4.0), विकिमीडिया कॉमन्स। यह टाइम-ऑफ-फ्लाइट की अवधारणा है, न कि यहाँ वर्णित ग्रिड का कोई विशिष्ट वाहन या उत्पाद कार्यान्वयन।

संक्षिप्त निष्कर्ष

  • प्रत्येक सेल के लिए एक प्रायिकता संग्रहित करें। 0.5 के निकट मान अज्ञात, 1 के निकट मान भरे हुए और शून्य के निकट मान खाली दर्शाते हैं।

  • लॉग-ऑड्स, रिकर्सिव बायेसियन साक्ष्य को जोड़ में बदल देता है। इसकी सीमा को सीमित करें ताकि एक पुरानी, दृढ़ता से मानी जाने वाली बाधा को अंततः दूर किया जा सके।

  • एक वैध वापसी बिंदु चिह्नित करें और उससे पहले के खाली स्थान का रे-ट्रेस करें। अधिकतम सीमा, वापसी न होना, कांच, धूल, बर्फ और हार्डवेयर त्रुटियों को एक ही व्युत्क्रम मॉडल में शामिल न करें।

  • एक SLAM मानचित्र स्थानीयकरण और स्थायी संरचना का समर्थन करता है; एक रोलिंग स्थानीय लागत मानचित्र तत्काल टकराव से बचाव का समर्थन करता है। स्थिर और गतिशील समय पैमानों को अलग-अलग रखें।

  • वाहन एक बिंदु नहीं है। योजना बनाने से पहले फुटप्रिंट, पोज़ और ट्रैकिंग अनिश्चितता, नियंत्रक त्रुटि और स्टॉपिंग मार्जिन के आधार पर बाधाओं को बढ़ाएँ।

  • सिमेंटिक ऑक्यूपेंसी, भविष्य ऑक्यूपेंसी प्रवाह और न्यूरल इम्प्लिसिट मैप सक्रिय अनुसंधान दिशाएँ हैं, लेकिन टकराव-क्वेरी विलंबता, अंशांकन और अज्ञात-स्थान व्यवहार निर्णायक बने हुए हैं।

रेंज रे से सेल्स तक

Diagram 1 · Use the button to switch views
Occupancy-grid update from a LiDAR rayCells from the sensor to the return are updated free, the valid endpoint occupied, and unobserved cells remain unknown. LiDARray traverses → freereturn → occupiedoccupiedfreeunknown

चित्र 1 — एक व्युत्क्रम सेंसर मॉडल अंतिम बिंदु को चिह्नित करता है और उससे पहले के सेल को साफ़ करता है। धूसर अज्ञात स्थान खाली स्थान नहीं है।

मूल बिंदु (x_0,y_0) और रिज़ॉल्यूशन r के लिए, एक विश्व बिंदु (x,y) मैप करता है

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

r को आधा करने से 2D मेमोरी लगभग चार गुना और सघन 3D वोक्सेल मेमोरी आठ गुना बढ़ जाती है। सेंसर और पोज़ अनिश्चितता से कम रिज़ॉल्यूशन वास्तविक सटीकता के बजाय झिलमिलाहट पैदा करता है।

स्थिर मानचित्र फ्रेम, निरंतर ओडोमेट्री फ्रेम, वाहन बॉडी और सेंसर के बीच रूपांतरण का मूल्यांकन माप टाइमस्टैम्प पर किया जाना चाहिए। पुराने वाहन पोज़ के साथ रूपांतरित वर्तमान पॉइंट क्लाउड सीधी दीवारों को तिरछी पट्टियों में बदल देता है। कई स्पष्ट मानचित्रण दोष क्लॉक और फ्रेम दोष हैं।

बायेसियन और लॉग-ऑड्स अपडेट

मान लीजिए O_i सेल m_i की अधिभोगिता है, समय t तक के अवलोकन z_{1:t} हैं, और पोज़ x_{1:t} हैं। मानचित्र संग्रहीत करता है

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

क्लासिक ग्रिड सुगमता के लिए सेल स्वतंत्रता मानते हैं और एक का उपयोग करते हैं व्युत्क्रम सेंसर मॉडल P(O_i\mid z_t,x_t)। यह दीवार की निरंतरता जैसे स्थानिक सहसंबंधों को अनदेखा करता है, लेकिन कुशल स्थानीय अद्यतन की अनुमति देता है।

लॉग-ऑड्स को परिभाषित करें

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

पुनरावर्ती अद्यतन इस प्रकार है:

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}

p_0=0.5 और l_0=0 के साथ। कब्जे वाले साक्ष्य एक सकारात्मक वृद्धि और खाली साक्ष्य एक नकारात्मक वृद्धि जोड़ते हैं। प्रायिकता को इसके माध्यम से पुनर्प्राप्त करें:

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

व्यवहार में, l_{min}\le l_{t,i}\le l_{max} पर क्लैंप करें। संतृप्ति के बिना, घंटों तक देखी गई वस्तु को हिलने के बाद गायब होने के लिए सैकड़ों खाली प्रेक्षणों की आवश्यकता हो सकती है। क्लैंपिंग इस बारे में एक निर्णय है कि सिस्टम इतिहास को कितनी मजबूती से संशोधित कर सकता है, न कि केवल संख्यात्मक शुद्धता के बारे में।

व्युत्क्रम सेंसर मॉडल

2D स्कैन के लिए, ब्रेसेनहैम या DDA एक बीम के साथ कोशिकाओं की गणना करता है। एक वैध अंतिम बिंदु चिह्नित करता है ऑक्यूपेंसी और पूर्ववर्ती सेल्स को फ्री एविडेंस मिलता है। अलग-अलग रिटर्न स्टेट्स के लिए अलग-अलग पॉलिसीज़ की आवश्यकता होती है:

  • एक वैलिड रिटर्न एंडपॉइंट को चिह्नित कर सकता है और उससे पहले क्लियर हो सकता है।

  • डिवाइस सिमेंटिक्स के आधार पर, एक मैक्सिमम-रेंज या नो-रिटर्न सैंपल एक वेरिफाइड रेंज के भीतर क्लियर हो सकता है।

  • मिनिमम-रेंज से नीचे का डेटा नियर-फील्ड ब्लाइंड ज़ोन को क्लियर नहीं करना चाहिए।

  • बारिश, बर्फ, कीड़े और धूल के लिए स्थानिक और लौकिक स्थिरता फिल्टर फायदेमंद होते हैं।

कांच और कम परावर्तकता वाली सतहें नो-रिटर्न को फ्री स्पेस का असुरक्षित एविडेंस बना सकती हैं।

कैमरा डेप्थ, स्टीरियो और सिमेंटिक सेगमेंटेशन को ग्राउंड पर प्रोजेक्ट किया जा सकता है। अकेले मोनोक्युलर क्लास आउटपुट की कोई सटीक रेंज नहीं होती है। यदि प्रोजेक्शन एक रोड प्लेन, लर्नड डेप्थ या ऑब्जेक्ट डाइमेंशन मानता है, तो संबंधित अनिश्चितता को फैलाएं। Visual SLAM द्वारा उपयोग किया जाने वाला एक स्पार्स फीचर मैप और एक कोलिजन ग्रिड के अलग-अलग कार्य होते हैं।

पोज़ अनिश्चितता और लूप क्लोज़र

g(x,z) को वह फ़ंक्शन मान लें जो सेंसर बिंदु z को पोज़ x के माध्यम से विश्व निर्देशांकों में रूपांतरित किया जाता है; पोज़ सहप्रसरण P_x और माप सहप्रसरण R_z के साथ, रेखीयकृत बिंदु का प्रथम-क्रम प्रसार देता है

P_p\approx J_xP_xJ_x^T+J_zR_zJ_z^T

स्थानीयकरण अनिश्चित होने पर एक छोटे सेल को मजबूती से चिह्नित करने से बार-बार पास करने पर दीवारें मोटी हो जाती हैं। साक्ष्य को स्थानिक रूप से वितरित करें या उप-मानचित्र निर्देशांकों में अद्यतन करें। जब लूप बंद होने से पुराने पोज़ बदल जाते हैं, तो एक वैश्विक रास्टर में अपरिवर्तनीय रूप से अंकित बिंदुओं को पुनर्स्थापित करना कठिन होता है; अनुकूलन के बाद पोज़ ग्राफ़ और उप-मानचित्रों को पुनः संयोजित किया जा सकता है। LiDAR SLAM प्राइमर देखें।

स्थिर, स्थानीय और गतिशील परतों को अलग करें

परत समय पैमाना उदाहरण अद्यतन नीति
स्थिर दिन से वर्ष दीवार, फुटपाथ, इमारत SLAM/HD मानचित्र, नियंत्रित अपडेट
अस्थायी सेकंड खड़ी गाड़ी, गिरी हुई वस्तु मार्किंग, क्लियरिंग, क्षय
गतिशील दसवें भाग से सेकंड वाहन, पैदल यात्री, साइकिल चालक ट्रैकिंग और भविष्य का उपयोग
अर्थ संबंधी/नियम मानचित्र संस्करण लेन, स्टॉप लाइन, कीपआउट संस्करणित स्रोत
सुरक्षा मार्जिन नियंत्रण चक्र फुटप्रिंट, स्टॉपिंग मार्जिन गति और अनिश्चितता पर निर्भर

एक साधारण क्षय है

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

\tau का बहुत छोटा मान स्थिर बाधा को मिटा देता है; बहुत बड़ा मान चलते यातायात के पीछे निशान छोड़ देता है। जहां संभव हो, गतिशील वस्तुओं को अलग से ट्रैक करें और उनके अवलोकन को स्थिर संरचना को स्थायी रूप से दूषित करने से रोकें।

भविष्य का उपयोग P(O_{i,k}) या उपयोग प्रवाह यह दर्शाता है कि भविष्य के चरण k में स्थान कहाँ उपयोग किया जा सकता है। बॉक्स डिटेक्टर के विपरीत, यह अवर्गीकृत बाधाओं और कई स्थानिक परिकल्पनाओं का प्रतिनिधित्व कर सकता है। कैलिब्रेशन अत्यंत महत्वपूर्ण है: मूल्यांकित वितरण के भीतर 0.9 की ऑक्यूपेंसी भविष्यवाणी लगभग 90% समय सही होनी चाहिए।

2D, एलिवेशन, वोक्सेल और BEV

एक 2D ग्रिड तेज़ है, लेकिन यह ओवरहैंग, शाखाओं, ट्रक के नीचे के गैप या ढलानों को स्वाभाविक रूप से प्रदर्शित नहीं कर सकता। एक 2.5D एलिवेशन मैप प्रति सेल ऊंचाई के आँकड़े संग्रहीत करता है; एक वोक्सेल ग्रिड आयतन को अलग-अलग भागों में विभाजित करता है; ऑक्टोमैप एक ऑक्ट्री में व्याप्त आयतन को संपीड़ित करता है।

स्वचालित ड्राइविंग नेटवर्क तेजी से कैमरा, LiDAR और रडार विशेषताओं को बर्ड्स-आई व्यू में परिवर्तित कर रहे हैं और ऑक्यूपेंसी, सिमेंटिक्स और गति की भविष्यवाणी कर रहे हैं। लर्नड कंप्लीशन अवरुद्ध क्षेत्रों का अनुमान लगा सकता है, लेकिन प्रशिक्षण डेटा के बाहर इसकी संभावना अति आत्मविश्वासपूर्ण हो सकती है। विश्वसनीयता आरेख, अपेक्षित कैलिब्रेशन त्रुटि, दूरी, मौसम, भूगोल और सेंसर-दोष स्लाइस का मूल्यांकन करें।

3D को 2D प्लानिंग लेयर में कम करते समय, बाधा-ऊंचाई बैंड को स्पष्ट रूप से परिभाषित करें। एक नीचा कर्ब, पार करने योग्य घास और एक ओवरहेड बीम एक ही प्रोजेक्शन नियम साझा नहीं कर सकता।

ऑक्यूपेंसी से लागत और नियंत्रण तक

प्लानिंग में केवल ऑक्यूपेंसी के बजाय टकराव और निकटता लागत का उपयोग किया जाता है। बाधा दूरी के लिए एक इन्फ्लेशन मॉडल d है

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}

वाहन फुटप्रिंट और स्वीप्ट वॉल्यूम, पोज़ और ट्रैकिंग कोवेरिएंस, कंट्रोलर ट्रैकिंग त्रुटि और स्टॉपिंग दूरी को ध्यान में रखें। मोड़ के दौरान लंबे वाहन के लिए गोलाकार रोबोट त्रिज्या अपर्याप्त है।

पाथ प्लानिंग प्राइमर लागतों पर A और हाइब्रिड A खोज की व्याख्या करता है। MPC प्राइमर वाहन और बाधा बाधाओं के अधीन एक अनुमानित प्रक्षेपवक्र को अनुकूलित करता है। यदि मैपिंग 5 Hz पर और नियंत्रण 50 Hz पर चलता है, तो कंट्रोलर को ग्रिड टाइमस्टैम्प का निरीक्षण करना चाहिए और पुराने डेटा के तहत व्यवहार को सीमित करना चाहिए।

ROS 2 Nav2 Costmap2D स्थिर मानचित्रों, बाधाओं को परतबद्ध करता है, प्लगइन्स के माध्यम से वोक्सेल, इन्फ्लेशन, कीपआउट ज़ोन और स्पीड फ़िल्टर। क्रम महत्वपूर्ण है: इन्फ्लेशन के बाद डाली गई बाधा को अपेक्षित मार्जिन नहीं मिलेगा।

V2X पर सहयोगात्मक उपयोग

V2X ईगो सेंसर द्वारा देखे जाने से पहले ही एक अवरुद्ध क्षेत्र को साझा कर सकता है। टाइल को स्रोत फ्रेम, माप समय, प्रेषक स्थिति सहप्रसरण और उत्पत्ति की आवश्यकता होती है। यदि कई वाहन एक ही सड़क किनारे अवलोकन को रिले करते हैं, तो उन्हें स्वतंत्र साक्ष्य के रूप में मानने से विश्वास की दोहरी गणना होती है।

संचार विलंब \Delta t के दौरान, एक गतिशील वस्तु v\Delta t के आसपास घूमती है। स्थिर और गतिशील सामग्री को अलग करें, गति को प्रसारित करें, और केवल इसलिए स्थानीय साक्ष्य को कभी भी अनदेखा न करें क्योंकि एक पैकेट हस्ताक्षरित है। एक समझौता किया गया प्रेषक पूरी सड़क को अवरुद्ध चिह्नित कर सकता है; प्रमाणीकरण के अलावा भौतिक स्थिरता और स्रोत विविधता आवश्यक हैं।

विफलता पैटर्न और सुरक्षा प्रतिक्रिया

अज्ञात को मुक्त मानना

अदृश्य कोशिकाओं को शून्य मार्गों के रूप में आरंभ करना, सेंसर के पास मौजूद स्थान के माध्यम से। कभी नहीं देखा गया। एक अन्वेषण रोबोट अज्ञात क्षेत्र में प्रवेश करने के मूल्य के लिए एक अलग लागत निर्धारित कर सकता है; एक सड़क वाहन को अपनी रुकने की दूरी के भीतर अज्ञात क्षेत्र के साथ सावधानी बरतनी चाहिए।

अत्यधिक आक्रामक तरीके से सफाई करना

एक "नो रिटर्न" अवलोकन एक दीवार को मिटा सकता है जब लक्ष्य कांच हो या बारिश ने सिग्नल को कमजोर कर दिया हो। कब्जे वाले और खाली साक्ष्य के लिए अलग-अलग अपडेट परिमाण का उपयोग करें, बार-बार पुष्टि की आवश्यकता रखें, और सेंसर प्रकार के अनुसार विश्वास निर्धारित करें।

पुराने मानचित्र का उपयोग करना

एक नया परिवहन टाइमस्टैम्प नई जानकारी साबित नहीं करता है: एक अपस्ट्रीम अनुमानक रुक गया हो सकता है और वही डेटा पुनः प्रसारित कर रहा हो। उत्पादन समय, अनुक्रम संख्या, अद्यतन क्षेत्र और इनपुट सेंसर की धड़कन की निगरानी करें।

गति के अनुरूप मुद्रास्फीति नहीं

एक धीमे गोदाम रोबोट के लिए ट्यून की गई एक निश्चित त्रिज्या एक तेज वाहन के लिए पर्याप्त स्टॉपिंग मार्जिन प्रदान नहीं कर सकती है। प्रतिक्रिया विलंब T, गति v और उपलब्ध मंदी a के लिए,

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

दिशा-निर्भर मार्जिन का उपयोग करें या संपूर्ण अनुमानित स्वीप्ट वॉल्यूम की टक्कर-जांच करें।

मेट्रिक्स और प्रायोगिक प्रक्रिया

सेल मेट्रिक्स में ऑक्यूपाइड/फ्री प्रेसिजन और रिकॉल, IoU, ब्रियर स्कोर, नेगेटिव लॉग-लाइकलीहुड और कैलिब्रेशन शामिल हैं। समग्र सटीकता भ्रामक है क्योंकि फ्री सेल्स हावी होते हैं। रेंज, ऑक्लूजन, क्लास, मौसम और अवलोकन के बाद के समय के आधार पर स्लाइस करें।

सिस्टम मेट्रिक्स में टक्कर और नियर मिस, प्लानिंग विफलता, अनावश्यक स्टॉप, न्यूनतम बाधा क्लीयरेंस, मैप लेटेंसी, CPU, मेमोरी और बैंडविड्थ शामिल हैं। भौतिक बाधा के प्रकट होने से लेकर सेंसिंग, मैपिंग, प्लानिंग और कंट्रोल तक का एंड-टू-एंड समय मापें।

  1. ज्ञात ज्यामिति के विरुद्ध एक रे, मार्क/क्लियर सिमेंटिक्स, बाउंड्स और फ्रेम रूपांतरणों का यूनिट-टेस्ट करें।

  2. रिकॉर्डिंग को रीप्ले करें और नियतात्मक आउटपुट और पूर्ण कॉन्फ़िगरेशन लॉगिंग को सत्यापित करें।

  3. टाइमस्टैम्प ऑफ़सेट, पोज़ त्रुटि, अवरोध, वर्षा शोर और संचार हानि को इंजेक्ट करें।

  4. स्थिर बाधाओं, पैदल यात्रियों के क्रॉसिंग, ओवरटेकिंग ट्रैफ़िक आदि का परीक्षण करें। रुकने और फिर चलने के मामले।

  5. योजना और नियंत्रण को जोड़ें; पुराने ग्रिड, अज्ञात स्थान और आंशिक अपडेट का अभ्यास करें।

  6. प्रत्येक अपडेट के बाद एक निश्चित प्रतिगमन कॉर्पस को पुनः चलाएं और केवल रास्टर IoU ही नहीं, बल्कि प्रक्षेपवक्र और सुरक्षा मार्जिन की तुलना करें।

अनुसंधान दिशाएँ

सिमेंटिक ग्रिड सड़क, फुटपाथ, वाहन, पैदल यात्री और वनस्पति पर वितरण स्थापित करते हैं। 4D अधिभोग और प्रवाह भविष्य के समय में आयतन और गति की भविष्यवाणी करते हैं। न्यूरल इम्प्लिसिट फील्ड निरंतर प्रश्नों के लिए निश्चित रास्टर रिज़ॉल्यूशन का त्याग करते हैं। सहकारी ग्रिड दृष्टि रेखा का विस्तार करते हैं। ये सभी नए प्रश्न प्रस्तुत करते हैं: संभाव्यता अंशांकन, वितरण से बाहर का व्यवहार, सीमित टकराव-प्रश्न समय, स्रोत सहसंबंध और हमले के प्रति प्रतिरोधक क्षमता।

सारांश

एक अधिभोग ग्रिड केवल रंग भरने का अभ्यास नहीं है। यह समय-चिह्नों और स्थिति अनिश्चितता से जुड़े मुक्त, अधिग्रहित और अनदेखे स्थान के बारे में बायेसियन साक्ष्य है। लॉग-ऑड्स अपडेट, व्युत्क्रम सेंसर मॉडल, किरण समाशोधन, क्लैंप और क्षय "भूत बाधाओं" और दोनों की व्याख्या करते हैं। लुप्त होती दीवारें।

ग्रिड अपने आप में पूर्ण नहीं है। SLAM एक ढांचा प्रदान करता है, धारणा गतिशील और अर्थपूर्ण साक्ष्य प्रदान करती है, और योजना और MPC पदचिह्न- और रुकने-जागरूक लागतों का उपभोग करते हैं। अंतिम परीक्षण एक सुंदर मानचित्र नहीं है; यह है कि क्या प्रणाली सुरक्षित रूप से रुकती है, उपद्रवी व्यवहार से बचती है, और अनदेखे स्थान को सिद्ध रूप से खाली मानने से इनकार करती है।

अपनी समझ की जाँच करें
क्या कम अधिभोग संभावना पारगमनशीलता की गारंटी देती है?

रिज़ॉल्यूशन, अज्ञात स्थान, वाहन का आकार और गतिशील बाधाएँ अभी भी मायने रखती हैं। पारगमनशीलता के लिए अधिभोग अनुमान से परे निर्णयों की आवश्यकता होती है।

संदर्भ

Lab Change the conditions in a browser experimentNav2 के पास एक पथ है लेकिन वह आगे नहीं बढ़ रहा है: एक नैदानिक कार्यप्रणाली

Related reading

Explore another aspect of this fieldव्यवहार नियोजन का प्रारंभिक परिचय: एफएसएम, व्यवहार वृक्ष और पीओएमडीपी किस प्रकार यह निर्धारित करते हैं कि स्वचालित वाहन आगे क्या करेगा।
#occupancy grid #Bayesian mapping #LiDAR #sensor fusion #costmap #SLAM #automated driving