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

Contents — find the section you need

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

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

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

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

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

L'aggiornamento ricorsivo diventa

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

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

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

P_p\approx J_xP_xJ_x^T+J_zR_zJ_z^T

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

Livello	Scala temporale	Esempi	Politica di aggiornamento
statico	da giorni ad anni	muro, marciapiede, edificio	mappa SLAM/HD, aggiornamenti controllati
temporaneo	secondi	veicolo parcheggiato, oggetto caduto	marcatura, rimozione, decadimento
dinamico	da decimi a secondi	veicolo, pedone, ciclista	tracciamento e occupazione futura
semantica/regole	versione della mappa	corsia, linea di arresto, divieto di accesso	sorgente versionata
margine di sicurezza	ciclo di controllo	impronta, margine di arresto	dipendente dalla velocità e dall'incertezza

Un semplice decadimento è

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

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:

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}

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 sconosciuti come liberi

Inizializzare le celle non osservate come percorsi zero attraverso lo spazio che il sensore non ha mai visto. Un robot esplorativo può assegnare un costo separato al valore di ingresso in uno spazio sconosciuto; un veicolo stradale dovrebbe trattare gli sconosciuti entro la sua distanza di arresto in modo conservativo.

Pulizia troppo aggressiva

Una singola osservazione "senza ritorno" può cancellare un muro quando il bersaglio è di vetro o la pioggia ha attenuato il segnale. Utilizzare diverse ampiezze di aggiornamento per le prove occupate e libere, richiedere una conferma ripetuta e assegnare la confidenza in base al tipo di sensore.

Utilizzo di una mappa obsoleta

Un timestamp di trasporto recente non dimostra informazioni recenti: un estimatore a monte potrebbe essersi fermato e ritrasmettere gli stessi dati. Monitorare il tempo di generazione, il numero di sequenza, la regione aggiornata e il heartbeat del sensore di input.

Inflazione non adattata alla velocità

Un raggio fisso calibrato per un robot di magazzino lento non può fornire un margine di arresto sufficiente per un veicolo veloce. Per il ritardo di risposta $T$ , velocità $v$ e decelerazione disponibile $a$ ,

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

Utilizzare un margine dipendente dalla direzione o un controllo di collisione per l'intero volume di spazzamento previsto.

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, condizioni meteorologiche 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 fino al rilevamento, alla mappatura, alla pianificazione e al controllo.

Eseguire un test unitario di un raggio, semantica di marcatura/cancellazione, limiti e conversioni di frame rispetto alla geometria nota.
Riprodurre le registrazioni e verificare l'output deterministico e la configurazione completa. registrazione.
Iniettare offset di timestamp, errore di posa, ostruzione, rumore dovuto alle precipitazioni e perdita di comunicazione.
Testare ostacoli statici, pedoni che attraversano, traffico in fase di sorpasso e casi di arresto e successiva ripartenza.
Collegare pianificazione e controllo; testare griglie obsolete, spazio sconosciuto e aggiornamenti parziali.
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. Tutte introducono nuove domande: calibrazione della probabilità, comportamento fuori distribuzione, tempo di interrogazione di collisione limitato, correlazione della sorgente e resilienza agli attacchi.

Riepilogo

Una griglia di occupazione non è un esercizio di colorazione. È un'evidenza bayesiana sullo spazio libero, occupato e non osservato, legata a timestamp e Ciò comporta incertezza. Aggiornamenti del log-odds, modelli inversi dei sensori, eliminazione dei raggi, vincoli e decadimento spiegano sia gli "ostacoli fantasma" che i muri che scompaiono.

Inoltre, la griglia non è completa di per sé. SLAM fornisce una struttura, la percezione fornisce prove dinamiche e semantiche, e la pianificazione e l'MPC consumano costi che tengono conto dell'ingombro e dell'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 visto come libero.

Verifica la tua comprensione

Una bassa probabilità di occupazione garantisce la percorribilità?

Risoluzione, spazio sconosciuto, forma del veicolo e ostacoli in movimento sono ancora importanti. La percorribilità richiede decisioni che vadano oltre la stima dell'occupazione.

Riferimenti

Try it in the browser

Lab Change the conditions in a browser experimentNav2 ha un percorso ma non si muove: un flusso di lavoro diagnostico