Pemetaan Grid Hunian — Mengubah Bukti LiDAR dan Kamera Menjadi Kemampuan Melintasi

Contents — find the section you need

Awan titik LiDAR dapat membuat dinding dan jalan tampak sangat presisi. Seorang perencana membutuhkan jawaban yang berbeda: di mana badan kendaraan dapat masuk, ruang apa yang belum pernah diamati, seberapa tidak pasti suatu rintangan, dan kapan jejak pejalan kaki yang bergerak harus menghilang? Kisi okupansi membagi ruang kontinu menjadi sel-sel dan mengakumulasikan probabilitas bahwa setiap sel ditempati.

Ini bukan sekadar gambar hitam-putih. Sel-sel yang dilalui oleh sinar jangkauan memberikan bukti ruang bebas; titik akhir yang valid memberikan bukti ditempati; sel-sel yang tidak diamati oleh sinar tetap tidak diketahui. Menggambarkan ruang yang tidak diketahui sebagai ruang bebas dapat mengarahkan kendaraan melalui gang yang tidak terlihat atau di balik dinding. Artikel ini menghubungkan satu pembaruan jangkauan dengan pemetaan Bayesian, SLAM, dinamika, representasi 3D, perencanaan, dan evaluasi keselamatan.

LiDAR sebagai sumber pengamatan grid okupansi

Gambar: Concept dari LiDAR (Cartographer3d, CC BY-SA 4.0), Wikimedia Commons. Ini adalah konsep waktu tempuh, bukan implementasi kendaraan atau produk spesifik dari grid yang dijelaskan di sini.

Kesimpulan singkat

Simpan probabilitas untuk setiap sel. Nilai mendekati 0,5 mewakili tidak diketahui, nilai mendekati satu mewakili terisi, dan nilai mendekati nol mewakili bebas.
Log-odds mengubah bukti Bayesian rekursif menjadi penjumlahan. Batasi jangkauannya sehingga rintangan lama yang diyakini kuat akhirnya dapat diatasi.
Tandai titik akhir pengembalian yang valid dan lacak ruang bebas sebelum titik tersebut. Jangan berikan jangkauan maksimum, tidak ada pengembalian, kaca, debu, salju, dan kesalahan perangkat keras model invers yang sama.
Peta SLAM mendukung lokalisasi dan struktur persisten; peta biaya lokal bergulir mendukung penghindaran tabrakan langsung. Pisahkan skala waktu statis dan dinamis.
Kendaraan bukanlah sebuah titik. Perbesar rintangan berdasarkan jejak, posisi dan ketidakpastian pelacakan, kesalahan pengontrol, dan margin berhenti sebelum perencanaan.
Okupansi semantik, aliran okupansi masa depan, dan peta implisit neural adalah arah penelitian aktif, tetapi latensi permintaan tabrakan, kalibrasi, dan perilaku ruang yang tidak diketahui tetap menjadi penentu.

Dari sinar jangkauan ke sel

Gambar 1 — Model sensor invers menandai titik akhir dan membersihkan sel-sel sebelum titik tersebut. Ruang abu-abu yang tidak diketahui bukanlah ruang bebas.

Untuk titik asal $(x_0,y_0)$ dan resolusi $r$ , titik dunia $(x,y)$ dipetakan ke

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

Membagi dua $r$ secara kasar melipatgandakan memori 2D dan mengalikan memori voxel 3D padat dengan delapan. Resolusi di bawah sensor dan ketidakpastian pose menciptakan kedipan daripada presisi yang sebenarnya.

Transformasi antara bingkai peta persisten, bingkai odometri kontinu, badan kendaraan, dan sensor harus dievaluasi pada stempel waktu pengukuran. Awan titik saat ini yang ditransformasikan dengan pose kendaraan lama mengubah dinding lurus menjadi pita miring. Banyak cacat pemetaan yang tampak adalah cacat jam dan bingkai.

Pembaruan Bayesian dan log-odds

Misalkan $O_i$ adalah okupansi sel $m_i$ , pengamatan sepanjang waktu $t$ adalah $z_{1:t}$ , dan pose adalah $x_{1:t}$ . Peta menyimpan

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

Kisi klasik mengasumsikan independensi sel untuk kemudahan penanganan dan menggunakan model sensor invers $P(O_i\mid z_t,x_t)$ . Ini mengabaikan korelasi spasial seperti kontinuitas dinding, tetapi memungkinkan pembaruan lokal yang efisien.

Definisikan log-odds

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

Pembaruan rekursif menjadi

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}

Dengan $p_0=0.5$ , $l_0=0$ . Bukti okupansi menambahkan peningkatan positif dan bukti bebas menambahkan peningkatan negatif. Memulihkan probabilitas melalui

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

Dalam praktiknya, batasi hingga $l_{min}\le l_{t,i}\le l_{max}$ . Tanpa saturasi, objek yang diamati selama berjam-jam mungkin memerlukan ratusan pengamatan bebas untuk menghilang setelah bergerak. Pembatasan adalah keputusan tentang seberapa kuat sistem dapat merevisi riwayat, bukan hanya kebersihan numerik.

Model sensor invers

Untuk pemindaian 2D, Bresenham atau DDA menghitung sel di sepanjang berkas. Titik akhir yang valid menandai okupansi dan sel sebelumnya menerima bukti bebas. Keadaan pengembalian yang berbeda memerlukan kebijakan yang berbeda:

Pengembalian yang valid dapat menandai titik akhir dan membersihkan sebelum titik tersebut.
Sampel rentang maksimum atau tanpa pengembalian dapat membersihkan dalam rentang yang diverifikasi, tergantung pada semantik perangkat.
Data di bawah rentang minimum tidak boleh membersihkan zona buta medan dekat.
Hujan, salju, serangga, dan debu mendapat manfaat dari filter konsistensi spasial dan temporal.
Kaca dan permukaan dengan reflektivitas rendah dapat membuat tanpa pengembalian menjadi bukti bebas yang tidak aman. ruang.

Kedalaman kamera, stereo, dan segmentasi semantik dapat diproyeksikan ke tanah. Output kelas monokular saja tidak memiliki jangkauan yang akurat. Jika proyeksi mengasumsikan bidang jalan, kedalaman yang dipelajari, atau dimensi objek, sebarkan ketidakpastian yang sesuai. Peta fitur sparse yang digunakan oleh Visual SLAM dan grid tabrakan memiliki tugas yang berbeda.

Ketidakpastian pose dan penutupan loop

Misalkan $g(x,z)$ adalah fungsi yang mengubah titik sensor $z$ menjadi koordinat dunia melalui pose $x$ ; dengan kovariansi pose $P_x$ dan kovariansi pengukuran $R_z$ , propagasi orde pertama dari titik yang dilinierkan memberikan

P_p\approx J_xP_xJ_x^T+J_zR_zJ_z^T

Menandai satu sel kecil dengan kuat sementara lokalisasi tidak pasti akan mempertebal dinding pada lintasan berulang. Sebarkan bukti secara spasial atau perbarui di subpeta. koordinat. Ketika penutupan loop mengubah pose lama, titik-titik yang secara permanen tertanam dalam satu raster global sulit diperbaiki; grafik pose dan subpeta dapat disusun kembali setelah optimasi. Lihat Panduan LiDAR SLAM.

Lapisan statis, lokal, dan dinamis terpisah

Lapisan	Skala waktu	Contoh	Kebijakan pembaruan
statis	hari hingga tahun	dinding, trotoar, bangunan	peta SLAM/HD, pembaruan terkontrol
sementara	detik	kendaraan terparkir, objek jatuh	penandaan, pembersihan, peluruhan
dinamis	sepersepuluh hingga detik	kendaraan, pejalan kaki, pesepeda	pelacakan dan okupansi masa depan
semantik/aturan	versi peta	jalur, garis berhenti, larangan masuk	sumber versi
margin keamanan	siklus kontrol	jejak, margin berhenti	Bergantung pada kecepatan dan ketidakpastian

Peluruhan sederhana adalah

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

$\tau$ yang terlalu kecil akan menghapus rintangan stasioner; terlalu besar akan meninggalkan jejak di belakang lalu lintas yang bergerak. Lacak objek dinamis secara terpisah jika memungkinkan dan cegah pengamatan mereka dari mencemari struktur statis secara permanen.

Pendudukan masa depan $P(O_{i,k})$ atau aliran pendudukan mewakili di mana ruang mungkin ditempati pada langkah selanjutnya $k$ . Tidak seperti detektor kotak, ia dapat mewakili rintangan yang tidak terklasifikasi dan beberapa hipotesis spasial. Kalibrasi tetap penting: prediksi pendudukan 0,9 seharusnya benar sekitar 90% dari waktu dalam distribusi yang dievaluasi.

2D, elevasi, voxel, dan BEV

Kisi 2D cepat tetapi tidak dapat secara alami mewakili overhang, cabang, celah di bawah truk, atau lereng. Peta elevasi 2,5D menyimpan statistik ketinggian per sel; kisi voxel mendiskretisasi volume; OctoMap mengkompresi volume yang ditempati dalam sebuah octree.

Jaringan penggerak otomatis semakin mengubah fitur kamera, LiDAR, dan radar menjadi tampilan dari atas dan memprediksi okupansi, semantik, dan gerakan. Penyelesaian yang dipelajari dapat menyimpulkan wilayah yang terhalang, tetapi probabilitasnya mungkin terlalu percaya diri di luar data pelatihan. Evaluasi diagram keandalan, kesalahan kalibrasi yang diharapkan, jarak, cuaca, geografi, dan irisan kesalahan sensor.

Saat mengurangi 3D ke lapisan perencanaan 2D, definisikan secara eksplisit pita ketinggian rintangan. Trotoar rendah, rumput yang dapat dilalui, dan balok di atas kepala tidak dapat menggunakan satu aturan proyeksi yang sama.

Dari okupansi ke biaya dan kontrol

Perencanaan menggunakan biaya tabrakan dan kedekatan daripada okupansi mentah saja. Salah satu model inflasi untuk jarak rintangan $d$ adalah

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}

Perhitungkan jejak kendaraan dan volume sapuan, pose dan kovariansi pelacakan, kesalahan pelacakan pengontrol, dan jarak berhenti. Radius robot melingkar tidak cukup untuk kendaraan yang panjang. Selama belokan.

Panduan Perencanaan Jalur menjelaskan pencarian A dan Hybrid A atas biaya. Panduan MPC mengoptimalkan lintasan yang diprediksi dengan mempertimbangkan batasan kendaraan dan rintangan. Jika pemetaan berjalan pada 5 Hz dan kontrol pada 50 Hz, pengontrol harus memeriksa stempel waktu grid dan perilaku batas di bawah data usang.

ROS 2 Nav2 Costmap2D melapisi peta statis, rintangan, voxel, inflasi, zona larangan, dan filter kecepatan melalui plugin. Urutan penting: rintangan yang dimasukkan setelah inflasi tidak akan menerima margin yang diharapkan.

Penggunaan Kooperatif melalui V2X

V2X dapat berbagi wilayah yang terhalang sebelum sensor ego melihatnya. Ubin membutuhkan bingkai sumber, waktu pengukuran, kovariansi pose pengirim, dan asal usul. Jika beberapa kendaraan menyampaikan hal yang sama Pengamatan di pinggir jalan, memperlakukannya sebagai bukti independen, akan menggandakan kepercayaan.

Selama penundaan komunikasi $\Delta t$ , objek dinamis bergerak sekitar $v\Delta t$ . Pisahkan konten statis dari konten dinamis, sebarkan gerakan, dan jangan pernah mengesampingkan bukti lokal hanya karena paket ditandatangani. Pengirim yang disusupi dapat menandai seluruh jalan sebagai terblokir; konsistensi fisik dan keragaman sumber diperlukan di luar otentikasi.

Pola kegagalan dan respons keselamatan

Memperlakukan yang tidak diketahui sebagai bebas

Menginisialisasi wilayah sensor yang tidak teramati sebagai nol tepat setelah startup akan mengarahkan jalur melalui apa yang sebenarnya ada di balik dinding. Robot penjelajah harus memberikan ruang yang tidak diketahui biaya tersendiri untuk memasukinya; kendaraan jalan umum harus memperlakukan ruang yang tidak diketahui dalam jarak pengeremannya secara konservatif.

Pembersihan terlalu agresif

Menghapus dinding dari satu "tidak kembali" memungkinkan kaca atau hujan membuat rintangan menghilang. Gunakan besaran pembaruan yang berbeda untuk bukti yang ditempati versus bukti bebas, perlukan beberapa konfirmasi, dan beri bobot kepercayaan berdasarkan jenis sensor.

Menggunakan peta usang

Peta baru Stempel waktu tidak menjamin peta yang baru — estimator hulu mungkin macet dan mengirim ulang data yang sama. Pantau waktu pembuatan, nomor urutan, wilayah yang diperbarui, dan detak jantung sensor input.

Inflasi tidak sesuai dengan kecepatan

Menggunakan kembali radius inflasi tetap robot gudang berkecepatan rendah untuk kendaraan berkecepatan tinggi berarti kendaraan tersebut tidak dapat berhenti tepat waktu. Untuk penundaan respons $T$ , kecepatan $v$ , dan deselerasi maksimum $a$ , perkiraan kasar margin longitudinal adalah

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

Inflasi asimetris yang berbeda secara lateral dan longitudinal, dan pemeriksaan tabrakan terhadap seluruh lintasan yang diprediksi, keduanya diperlukan.

Metrik dan prosedur eksperimental

Metrik sel meliputi presisi dan recall sel terisi/kosong, IoU, skor Brier, log-likelihood negatif, dan kalibrasi. Akurasi keseluruhan menyesatkan karena sel kosong mendominasi. Irisan berdasarkan rentang, oklusi, kelas, cuaca, dan waktu sejak pengamatan.

Metrik sistem mencakup tabrakan dan nyaris tabrakan, kegagalan perencanaan, pemberhentian yang mengganggu, jarak minimum penghalang, latensi peta, CPU, memori, dan bandwidth. Ukur waktu ujung-ke-ujung dari kemunculan penghalang fisik hingga penginderaan, pemetaan, perencanaan, dan kontrol.

Uji unit satu sinar, semantik tanda/bersihkan, batas, dan konversi bingkai terhadap geometri yang diketahui.
Putar ulang rekaman dan verifikasi keluaran deterministik dan pencatatan konfigurasi lengkap.
Suntikkan offset stempel waktu, kesalahan pose, penghalang, kebisingan presipitasi, dan kehilangan komunikasi.
Uji penghalang statis, penyeberangan pejalan kaki, lalu lintas yang menyalip, dan kasus berhenti-lalu-bergerak.
Hubungkan perencanaan dan kontrol; latih grid usang, ruang yang tidak diketahui, dan pembaruan parsial.
Putar ulang korpus regresi tetap setelah setiap pembaruan dan bandingkan lintasan dan margin keselamatan, bukan hanya IoU raster.

Arah penelitian

Grid semantik melampirkan distribusi di atas jalan, trotoar, kendaraan, pejalan kaki, dan vegetasi. Okupansi 4D dan Aliran memprediksi volume dan gerakan melalui waktu mendatang. Bidang implisit neural menukar resolusi raster tetap dengan kueri berkelanjutan. Kisi kooperatif memperluas garis pandang. Semua memperkenalkan pertanyaan baru: kalibrasi probabilitas, perilaku di luar distribusi, waktu kueri tabrakan yang terbatas, korelasi sumber, dan ketahanan terhadap serangan.

Ringkasan

Kisi okupansi bukanlah latihan pewarnaan. Ini adalah bukti Bayesian tentang ruang bebas, terokupasi, dan tak teramati, yang terkait dengan stempel waktu dan ketidakpastian pose. Pembaruan log-odds, model sensor invers, pembersihan sinar, penjepit, dan peluruhan menjelaskan baik "rintangan hantu" maupun dinding yang menghilang.

Kisi juga tidak lengkap dengan sendirinya. SLAM menyediakan kerangka, persepsi menyediakan bukti dinamis dan semantik, dan perencanaan serta MPC mengkonsumsi biaya yang mempertimbangkan jejak dan penghentian. Uji akhir bukanlah peta yang indah; melainkan apakah sistem berhenti dengan aman, menghindari perilaku yang mengganggu, dan menolak untuk memperlakukan ruang yang tak terlihat sebagai ruang bebas yang terbukti.

Periksa milik Anda pemahaman

Apakah sel yang tidak teramati sama dengan sel bebas?

Ruang yang tidak teramati belum diverifikasi sebagai ruang bebas. Bedakan keadaan bebas, ter occupied, dan tidak diketahui, dan definisikan bagaimana perencanaan memperlakukan ruang yang tidak diketahui.

Referensi

Try it in the browser

Lab Change the conditions in a browser experimentNav2 memiliki jalur tetapi tidak bergerak: alur kerja diagnostik.