Mappatura della griglia di occupazione: trasformare i dati LiDAR e delle telecamere in informazioni di percorribilità.

Una nuvola di punti LiDAR può rendere muri e strade incredibilmente precisi. Un progettista ha bisogno di una risposta diversa: dove può inserirsi la carrozzeria di un veicolo, quali spazi non sono mai stati osservati, quanto è incerto un ostacolo e quando dovrebbe scomparire la traccia di un pedone in movimento? Una griglia di occupazione divide lo spazio continuo in celle e accumula la probabilità che ciascuna cella sia occupata.

Non si tratta semplicemente di un'immagine in bianco e nero. Le celle attraversate da un raggio di rilevamento forniscono prove di spazio libero; un punto finale valido fornisce prove di occupazione; le celle non osservate da alcun raggio rimangono sconosciute. Rappresentare uno spazio sconosciuto come libero può far passare un veicolo attraverso un vicolo non visto o dietro un muro. Questo articolo collega un aggiornamento del rilevamento di distanza alla mappatura bayesiana, al SLAM, alla dinamica, alle rappresentazioni 3D, alla pianificazione e alla valutazione della sicurezza.

Il LiDAR come fonte di osservazione per una griglia di occupazione

Immagine: Concept del LiDAR (Cartographer3d, CC BY-SA 4.0), Wikimedia Commons. Questo è un concetto di tempo di volo, non un veicolo o un prodotto specifico che implementa la griglia qui descritta.

In breve

• Memorizza una probabilità per ogni cella. Valori vicini a 0,5 rappresentano un'area sconosciuta, valori vicini a uno un'area occupata e valori vicini a zero un'area libera.

• Il metodo log-odds trasforma l'evidenza bayesiana ricorsiva in un'addizione. Limita il suo raggio d'azione in modo che un vecchio ostacolo, ritenuto ormai un problema, possa essere superato in futuro.

Segna un punto di ritorno valido e traccia lo spazio libero prima di esso. Non assegnare lo stesso modello inverso a portata massima, assenza di ritorno, vetro, polvere, neve ed errori hardware.

Una mappa SLAM supporta la localizzazione e la struttura persistente; una mappa dei costi locale dinamica supporta l'evitamento immediato delle collisioni. Separa le scale temporali statiche e dinamiche.

Il veicolo non è un punto. Prima della pianificazione, considera gli ostacoli in base all'impronta, all'incertezza di posizione e tracciamento, all'errore del controller e al margine di arresto.

L'occupazione semantica, il flusso di occupazione futura e le mappe implicite neurali sono direzioni di ricerca attive, ma la latenza delle query di collisione, la calibrazione e il comportamento nello spazio sconosciuto rimangono decisivi.

Da un raggio di rilevamento alle celle

Figura 1 — Un modello di sensore inverso contrassegna il punto finale e cancella le celle che lo precedono. Lo spazio grigio sconosciuto non è spazio libero.

Per l'origine (x_0,y_0) e la risoluzione r , un punto del mondo (x,y) viene mappato su

Dimezzamento r quadruplica approssimativamente la memoria 2D e moltiplica per otto la memoria densa dei voxel 3D. Una risoluzione inferiore all'incertezza del sensore e della posizione crea sfarfallio anziché una precisione reale.

Le trasformazioni tra un frame di mappa persistente, un frame di odometria continuo, la carrozzeria del veicolo e il sensore devono essere valutate al timestamp della misurazione. Una nuvola di punti corrente trasformata con una vecchia posizione del veicolo trasforma le pareti dritte in fasce inclinate. Molti apparenti difetti di mappatura sono difetti di clock e di frame.

Aggiornamento bayesiano e log-odds

Sia O_i l'occupazione della cella m_i, le osservazioni nel tempo t z_{1:t} e le posizioni x_{1:t}. La mappa memorizza

Le griglie classiche presuppongono l'indipendenza delle celle per semplicità di gestione e utilizzano un modello inverso del sensore. P(O_i\mid z_t,x_t) . Questo scarta la correlazione spaziale, come la continuità di una parete, ma consente aggiornamenti locali efficienti.

Definire il logaritmo delle probabilità

L'aggiornamento ricorsivo diventa

Con p_0=0.5 , l_0=0 . L'evidenza di un oggetto occupato aggiunge un incremento positivo e l'evidenza di un oggetto libero un incremento negativo. Recuperare la probabilità tramite

In pratica, si applica un blocco a l_{min}\le l_{t,i}\le l_{max} . Senza saturazione, un oggetto osservato per ore potrebbe richiedere centinaia di osservazioni libere per scomparire dopo essersi spostato. Il blocco è una decisione su quanto fortemente il sistema può rivedere la cronologia, non solo sull'igiene numerica.

Il modello inverso del sensore

Per una scansione 2D, Bresenham o DDA enumerano le celle lungo un raggio. Un punto finale valido indica l'occupazione e le celle precedenti ricevono una prova gratuita. Diversi stati di ritorno richiedono politiche diverse:

• Un ritorno valido può indicare il punto finale e liberare l'area prima di esso.

• Un campione a portata massima o senza ritorno può liberare l'area entro un intervallo verificato, a seconda della semantica del dispositivo.

• I dati al di sotto della portata minima non dovrebbero liberare l'area in una zona cieca di campo vicino.

• Pioggia, neve, insetti e polvere traggono vantaggio dai filtri di coerenza spaziale e temporale.

Vetro e superfici a bassa riflettività possono rendere la prova di spazio libero non sicura e senza ritorno.

La profondità della telecamera, la stereoscopia e la segmentazione semantica possono essere proiettate a terra. L'output della classe monoculare da solo non ha una portata accurata. Se la proiezione presuppone un piano stradale, una profondità appresa o le dimensioni dell'oggetto, distribuire la corrispondente incertezza. Una mappa di caratteristiche sparse utilizzata da Visual SLAM e una griglia di collisione hanno compiti diversi.

Incertezza della posa e chiusura del ciclo

Sia g(x,z) la funzione che trasforma Il punto del sensore z viene convertito in coordinate globali tramite la posa x; con la covarianza di posa P_x e la covarianza di misurazione R_z, la propagazione di primo ordine del punto linearizzato fornisce

Segnare in modo marcato una piccola cella quando la localizzazione è incerta ispessisce le pareti nei passaggi ripetuti. Distribuire le prove spazialmente o aggiornare le coordinate della sottomappa. Quando la chiusura del ciclo modifica le vecchie pose, i punti irreversibilmente impressi in un raster globale sono difficili da riparare; i grafici delle pose e le sottomappe possono essere riassemblati dopo l'ottimizzazione. Vedi LiDAR SLAM Primer.

Separare i livelli statici, locali e dinamici

Un semplice decadimento è

Un \tau troppo piccolo cancella un ostacolo stazionario; troppo grande lascia tracce dietro al traffico in movimento. Tracciare gli oggetti dinamici separatamente, ove possibile, ed evitare che le loro osservazioni contaminino permanentemente la struttura statica.

L'occupazione futura P(O_{i,k}) o flusso di occupazione rappresenta dove lo spazio potrebbe essere occupato in un passo futuro k . A differenza di un rilevatore di box, può rappresentare ostacoli non classificati e molteplici ipotesi spaziali. La calibrazione rimane fondamentale: una previsione di occupazione di 0,9 dovrebbe essere corretta circa il 90% delle volte all'interno della distribuzione valutata.

2D, elevazione, voxel e BEV

Una griglia 2D è veloce ma non può rappresentare in modo naturale sporgenze, rami, lo spazio sotto un camion o pendii. Una mappa di elevazione 2.5D memorizza le statistiche di altezza per cella; una griglia di voxel discretizza il volume; OctoMap comprime il volume occupato in un octree.

Le reti di guida automatizzata trasformano sempre più spesso le caratteristiche di telecamere, LiDAR e radar in una vista a volo d'uccello e prevedono occupazione, semantica e movimento. Il completamento appreso può inferire le regioni occluse, ma la sua probabilità potrebbe essere eccessivamente sicura al di fuori dei dati di addestramento. Valutare i diagrammi di affidabilità, l'errore di calibrazione previsto, la distanza, le condizioni meteorologiche, la geografia e le sezioni di guasto del sensore.

Quando si riduce il 3D a un 2D Livello di pianificazione, definire esplicitamente la fascia di altezza degli ostacoli. Un marciapiede basso, un prato percorribile e una trave sopraelevata non possono condividere la stessa regola di proiezione.

Dall'occupazione al costo e al controllo

La pianificazione utilizza i costi di collisione e prossimità anziché la sola occupazione. Un modello di inflazione per la distanza dagli ostacoli d è:

Tenere conto dell'impronta del veicolo e del volume spazzato, della covarianza di posa e tracciamento, dell'errore di tracciamento del controllore e della distanza di arresto. Un raggio di rotazione circolare del robot è insufficiente per un veicolo lungo durante una curva.

Nota introduttiva sulla pianificazione del percorso spiega la ricerca A e A ibrida sui costi. Nota introduttiva sull'MPC ottimizza una traiettoria prevista soggetta ai vincoli del veicolo e degli ostacoli. Se la mappatura viene eseguita a 5 Hz e il controllo a 50 Hz, il controllore deve esaminare il timestamp della griglia e il comportamento dei limiti in condizioni di dati obsoleti. Dati.

ROS 2 Nav2 Costmap2D sovrappone mappe statiche, ostacoli, voxel, inflazione, zone di esclusione e filtri di velocità tramite plugin. L'ordine è importante: un ostacolo inserito dopo l'inflazione non riceverà il margine previsto.

Occupazione cooperativa tramite V2X

V2X può condividere una regione occlusa prima che i sensori ego la rilevino. La tile necessita del frame sorgente, del tempo di misurazione, della covarianza della posa del mittente e della provenienza. Se più veicoli trasmettono la stessa osservazione a bordo strada, trattarli come prove indipendenti comporta un doppio conteggio dell'affidabilità.

Durante il ritardo di comunicazione \Delta t , un oggetto dinamico si muove di circa v\Delta t . Separare il contenuto statico da quello dinamico, propagare il movimento e non sovrascrivere mai le prove locali solo perché un pacchetto è firmato. Un mittente compromesso può contrassegnare l'intera strada come bloccata; coerenza fisica e diversità della sorgente sono necessarie oltre all'autenticazione.

Modelli di errore e sicurezza Risposta

Trattare gli spazi sconosciuti come liberi

Inizializzare a zero le regioni dei sensori non osservate subito dopo l'avvio crea un percorso attraverso ciò che si trova effettivamente dietro un muro. Un robot esplorativo dovrebbe attribuire un costo specifico allo spazio sconosciuto per l'esplorazione; un veicolo stradale dovrebbe trattare lo spazio sconosciuto entro la sua distanza di arresto in modo conservativo.

Pulizia troppo aggressiva

Cancellare un muro da un singolo "punto di non ritorno" permette a vetri o pioggia di far sparire un ostacolo. Utilizzare diverse magnitudini di aggiornamento per le evidenze di spazio occupato e libero, richiedere conferme multiple e ponderare l'affidabilità in base al tipo di sensore.

Utilizzo di una mappa obsoleta

Un timestamp recente non garantisce una mappa aggiornata: l'estimatore a monte potrebbe essersi bloccato e sta inviando nuovamente gli stessi dati. Monitorare il tempo di generazione, i numeri di sequenza, la regione aggiornata e il heartbeat del sensore di input.

Inflazione non adattata alla velocità

Riutilizzare il raggio di inflazione fisso di un robot da magazzino a bassa velocità per un veicolo ad alta velocità significa che non può fermarsi in tempo. Per il ritardo di risposta T, velocità v e decelerazione massima a, una stima approssimativa del margine longitudinale è

Sono necessari sia un'inflazione asimmetrica che differisce lateralmente e longitudinalmente, sia un controllo delle collisioni rispetto all'intera traiettoria prevista.

Metriche e procedura sperimentale

Le metriche delle celle includono precisione e richiamo occupati/liberi, IoU, punteggio di Brier, log-verosimiglianza negativa e calibrazione. L'accuratezza complessiva è fuorviante perché le celle libere sono predominanti. Suddividere per distanza, occlusione, classe, meteo e tempo trascorso dall'osservazione.

Le metriche di sistema includono collisioni e quasi-collisioni, errori di pianificazione, arresti indesiderati, distanza minima dagli ostacoli, latenza della mappa, CPU, memoria e larghezza di banda. Misurare il tempo end-to-end dalla comparsa dell'ostacolo fisico attraverso il rilevamento, la mappatura, la pianificazione e il controllo.

1. Test unitario di un raggio, 1. Segnare/cancellare la semantica, i limiti e le conversioni di frame rispetto alla geometria nota.

2. Riprodurre le registrazioni e verificare l'output deterministico e la registrazione completa della configurazione.

3. Iniettare offset di timestamp, errore di posa, ostruzioni, rumore dovuto alle precipitazioni e perdita di comunicazione.

4. Testare ostacoli statici, pedoni che attraversano, traffico in fase di sorpasso e casi di arresto e successiva ripartenza.

5. Collegare pianificazione e controllo; testare griglie obsolete, spazio sconosciuto e aggiornamenti parziali.

6. Riprodurre un corpus di regressione fisso dopo ogni aggiornamento e confrontare traiettoria e margine di sicurezza, non solo IoU raster.

Direzioni di ricerca

Le griglie semantiche collegano le distribuzioni su strada, marciapiede, veicolo, pedone e vegetazione. L'occupazione e il flusso 4D prevedono volume e movimento nel tempo futuro. I campi impliciti neurali scambiano la risoluzione raster fissa con query continue. Le griglie cooperative estendono la linea di vista. Tutti introducono nuove domande: calibrazione della probabilità, comportamento fuori distribuzione, tempo di collisione-query limitato, correlazione della sorgente e resilienza agli attacchi.

Riepilogo

Un La griglia di occupazione non è un semplice esercizio di colorazione. Rappresenta un'evidenza bayesiana relativa allo spazio libero, occupato e non osservato, legata a timestamp e incertezza di posizione. Aggiornamenti basati sul logaritmo delle probabilità, modelli inversi dei sensori, ray clearing, clamp e decadimento spiegano sia gli "ostacoli fantasma" che i muri che scompaiono.

La griglia, inoltre, non è completa di per sé. SLAM fornisce una struttura, la percezione fornisce evidenze dinamiche e semantiche, mentre la pianificazione e l'MPC consumano i costi relativi all'impronta e all'arresto. Il test finale non è una mappa perfetta; consiste nel verificare se il sistema si arresta in sicurezza, evita comportamenti indesiderati e si rifiuta di considerare lo spazio non osservato come libero.