Mapeamento de grade de ocupação — Transformando evidências de LiDAR e câmeras em acessibilidade de trânsito

Contents — find the section you need

Uma nuvem de pontos LiDAR pode fazer com que paredes e estradas pareçam incrivelmente precisas. Um planejador precisa de uma resposta diferente: onde a carroceria do veículo pode se encaixar, que espaço nunca foi observado, qual o grau de incerteza em relação a um obstáculo e quando o rastro de um pedestre em movimento deve desaparecer? Uma grade de ocupação divide o espaço contínuo em células e acumula a probabilidade de cada célula estar ocupada.

Não se trata apenas de uma imagem em preto e branco. Células atravessadas por um raio de alcance fornecem evidências de espaço livre; um ponto final válido fornece evidências de ocupação; células que nenhum raio observou permanecem desconhecidas. Representar o espaço desconhecido como livre pode direcionar um veículo por um beco invisível ou atrás de uma parede. Este artigo conecta uma atualização de alcance ao mapeamento Bayesiano, SLAM, dinâmica, representações 3D, planejamento e avaliação de segurança.

LiDAR como fonte de observação de grade de ocupação

Imagem: Concept de LiDAR (Cartographer3d, CC BY-SA 4.0), Wikimedia Commons. Este é um conceito de tempo de voo, não uma implementação específica de veículo ou produto da grade descrita aqui.

Conclusão resumida

Armazene uma probabilidade para cada célula. Valores próximos de 0,5 representam desconhecido, valores próximos de 1 representam ocupado e valores próximos de 0 representam livre.
O logaritmo das probabilidades transforma a evidência Bayesiana recursiva em adição. Limite o alcance para que um obstáculo antigo e considerado essencial possa ser eventualmente removido.
Marque um ponto final de retorno válido e trace o espaço livre antes dele. Não utilize o mesmo modelo inverso para alcance máximo, ausência de retorno, vidro, poeira, neve e erros de hardware.
Um mapa SLAM suporta localização e estrutura persistente; um mapa de custo local contínuo suporta a prevenção imediata de colisões. Separe as escalas de tempo estáticas e dinâmicas.
O veículo não é um ponto. Infle os obstáculos por pegada, pose e incerteza de rastreamento, erro do controlador e margem de parada antes do planejamento.
Ocupação semântica, fluxo de ocupação futura e mapas implícitos neurais são direções de pesquisa ativas, mas a latência de consulta de colisão, a calibração e o comportamento em espaço desconhecido permanecem decisivos.

De um raio de alcance para células

Figura 1 — Um modelo de sensor inverso marca o ponto final e limpa as células antes dele. O espaço cinza desconhecido não é espaço livre.

Para a origem $(x_0,y_0)$ e resolução $r$ , um ponto no mundo $(x,y)$ mapeia para

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

Reduzir $r$ pela metade quadruplica aproximadamente a memória 2D e multiplica a memória densa de voxels 3D por oito. A resolução abaixo da incerteza do sensor e da pose cria cintilação em vez de precisão genuína.

As transformações entre um quadro de mapa persistente, um quadro de odometria contínua, a carroceria do veículo e o sensor devem ser avaliadas no momento da medição. Uma nuvem de pontos atual transformada com uma pose antiga do veículo transforma paredes retas em faixas inclinadas. Muitos defeitos aparentes no mapeamento são, na verdade, defeitos de relógio e de quadro.

Atualização Bayesiana e de log-odds

Seja $O_i$ a ocupação da célula $m_i$ , as observações ao longo do tempo $t$ sejam $z_{1:t}$ e as poses sejam $x_{1:t}$ . O mapa armazena

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

As grades clássicas assumem independência de célula para facilitar o manuseio e usam um modelo de sensor inverso $P(O_i\mid z_t,x_t)$ . Isso descarta a correlação espacial, como a continuidade de uma parede, mas permite atualizações locais eficientes.

Definir log-odds

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

A atualização recursiva torna-se

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}

Com $p_0=0.5$ , $l_0=0$ . A evidência de ocupação adiciona um incremento positivo e a evidência de ausência um incremento negativo. A probabilidade de recuperação é feita através de

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

Na prática, limite a $l_{min}\le l_{t,i}\le l_{max}$ . Sem saturação, um objeto observado por horas pode exigir centenas de observações de ausência para desaparecer após se mover. O limite é uma decisão sobre a intensidade com que o sistema pode revisar o histórico, e não apenas sobre a higiene numérica.

O modelo de sensor inverso

Para uma varredura 2D, Bresenham ou DDA enumeram células ao longo de um feixe. Um ponto final válido marca a ocupação e as células precedentes recebem evidência de ausência. Diferentes estados de retorno requerem políticas diferentes:

Um retorno válido pode marcar o ponto final e limpar antes dele.
Uma amostra de alcance máximo ou sem retorno pode ser possível limpar dentro de um alcance verificado, dependendo da semântica do dispositivo.
Dados abaixo do alcance mínimo não devem limpar uma zona cega de campo próximo.
Chuva, neve, insetos e poeira se beneficiam de filtros de consistência espacial e temporal.
Vidro e superfícies de baixa refletância podem gerar evidências inseguras de espaço livre.

A profundidade da câmera, estéreo e segmentação semântica podem ser projetadas no solo. A saída de classe monocular sozinha não possui alcance preciso. Se a projeção assumir um plano de estrada, profundidade aprendida ou dimensões de objeto, espalhe a incerteza correspondente. Um mapa de características esparsas usado pelo Visual SLAM e uma grade de colisão têm funções diferentes.

Incerteza de pose e fechamento de loop

Seja $g(x,z)$ a função que transforma o ponto do sensor $z$ em coordenadas do mundo via pose $x$ ; com covariância de pose $P_x$ e covariância de medição $R_z$ , a propagação de primeira ordem do ponto linearizado fornece

P_p\approx J_xP_xJ_x^T+J_zR_zJ_z^T

Marcar fortemente uma pequena célula enquanto a localização é incerta engrossa as paredes em passagens repetidas. Distribua as evidências espacialmente ou atualize as coordenadas do submapa. Quando o fechamento do loop altera poses antigas, os pontos irreversivelmente gravados em um raster global são difíceis de reparar; os grafos de pose e os submapas podem ser remontados após a otimização. Consulte LiDAR SLAM Primer.

Separe camadas estáticas, locais e dinâmicas

Camada	Escala de tempo	Exemplos	Política de atualização
estática	dias a anos	parede, meio-fio, prédio	mapa SLAM/HD, atualizações controladas
temporária	segundos	veículo estacionado, objeto caído	Marcação, limpeza, decaimento
dinâmico	décimos a segundos	veículo, pedestre, ciclista	rastreamento e ocupação futura
semântica/regras	versão do mapa	faixa, linha de parada, área proibida	fonte versionada
margem de segurança	ciclo de controle	área de cobertura, margem de parada	dependente da velocidade e da incerteza

Um decaimento simples é

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

Um $\tau$ muito pequeno apaga um obstáculo estacionário; um $\tau$ muito grande deixa rastros atrás do tráfego em movimento. Rastreie objetos dinâmicos separadamente sempre que possível e evite que suas observações contaminem permanentemente a estrutura estática.

A ocupação futura $P(O_{i,k})$ ou fluxo de ocupação representa onde o espaço pode ser ocupado na etapa futura $k$ . Ao contrário de um detector de caixa, ele pode representar obstáculos não classificados e múltiplas hipóteses espaciais. A calibração continua sendo crítica: uma previsão de ocupação de 0,9 deve estar correta em cerca de 90% das vezes dentro do intervalo avaliado. Distribuição.

2D, elevação, voxels e BEV

Uma grade 2D é rápida, mas não consegue representar naturalmente saliências, galhos, o vão sob um caminhão ou declives. Um mapa de elevação 2.5D armazena estatísticas de altura por célula; uma grade de voxels discretiza o volume; o OctoMap comprime o volume ocupado em uma octree.

Redes de direção autônoma transformam cada vez mais recursos de câmeras, LiDAR e radar em visão panorâmica e preveem ocupação, semântica e movimento. O aprendizado por preenchimento pode inferir regiões ocluídas, mas sua probabilidade pode ser excessivamente confiante fora dos dados de treinamento. Avalie diagramas de confiabilidade, erro de calibração esperado, distância, clima, geografia e fatias de falha do sensor.

Ao reduzir o 3D para uma camada de planejamento 2D, defina explicitamente a faixa de altura do obstáculo. Um meio-fio baixo, grama transitável e uma viga suspensa não podem compartilhar uma única regra de projeção.

Da ocupação ao custo e controle

O planejamento usa o custo de colisão e proximidade em vez da ocupação bruta isoladamente. Um modelo de inflação. Para a distância do obstáculo $d$ é

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}

Considere a área de contato e o volume varrido pelo veículo, a covariância de pose e rastreamento, o erro de rastreamento do controlador e a distância de parada. Um raio circular para o robô é insuficiente para um veículo longo durante uma curva.

O Guia Introdutório de Planejamento de Trajetória explica a busca A e A Híbrida sobre custos. O Guia Introdutório de MPC otimiza uma trajetória prevista sujeita a restrições do veículo e do obstáculo. Se o mapeamento for executado a 5 Hz e o controle a 50 Hz, o controlador deve inspecionar o carimbo de data/hora da grade e o comportamento dos limites sob dados desatualizados.

O ROS 2 Nav2 Costmap2D sobrepõe mapas estáticos, obstáculos, voxels, inflação, zonas de exclusão e filtros de velocidade por meio de plugins. A ordem é importante: um obstáculo inserido após a inflação não receberá a margem esperada.

Ocupação cooperativa sobre V2X

O V2X pode compartilhar uma região ocluída antes que os sensores do próprio veículo a vejam. O bloco precisa do quadro de origem, do tempo de medição, da covariância da pose do remetente e da proveniência. Se vários veículos retransmitirem a mesma observação da estrada, tratá-las como evidências independentes duplica a confiança.

Durante o atraso de comunicação $\Delta t$ , um objeto dinâmico se move em torno de $v\Delta t$ . Separe o conteúdo estático do dinâmico, propague o movimento e nunca sobrescreva evidências locais apenas porque um pacote está assinado. Um remetente comprometido pode marcar toda a estrada como bloqueada; consistência física e diversidade de origem são necessárias além da autenticação.

Padrões de falha e resposta de segurança

Tratando o desconhecido como livre

Inicializando células não observadas como rotas zero através do espaço que o sensor nunca viu. Um robô explorador pode atribuir um custo separado ao valor de entrar em espaço desconhecido; um veículo rodoviário deve tratar o desconhecido dentro de sua distância de parada de forma conservadora.

Limpeza excessiva

Uma única observação de "sem retorno" pode apagar uma parede quando o alvo é de vidro ou a chuva atenuou o sinal. Use magnitudes de atualização diferentes para evidências de áreas ocupadas e livres, exija confirmação repetida e atribua confiança por tipo de sensor.

Usando um mapa desatualizado

Um registro de data e hora de transporte recente não comprova informações recentes: um estimador a montante pode ter parado e estar retransmitindo os mesmos dados. Monitore o tempo de geração, o número de sequência, a região atualizada e o sinal de pulsação do sensor de entrada.

Inflação não compatível com a velocidade

Um raio fixo ajustado para um robô de armazém lento não pode fornecer margem de parada suficiente para um veículo rápido. Para atraso de resposta $T$ , velocidade $v$ e desaceleração disponível $a$ ,

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

Use margem dependente da direção ou verifique colisões em todo o volume varrido previsto.

Métricas e procedimento experimental

Célula As métricas incluem precisão e recall de células ocupadas/livres, IoU, pontuação de Brier, log-verossimilhança negativa e calibração. A precisão geral é enganosa porque as células livres predominam. Segmente por alcance, oclusão, classe, clima e tempo desde a observação.

As métricas do sistema incluem colisões e quase colisões, falhas de planejamento, paradas indesejadas, distância mínima de obstáculos, latência do mapa, CPU, memória e largura de banda. Meça o tempo de ponta a ponta, desde o aparecimento do obstáculo físico até a detecção, mapeamento, planejamento e controle.

Teste unitário de um raio, semântica de marcação/limpeza, limites e conversões de quadro em relação à geometria conhecida.
Reproduza gravações e verifique a saída determinística e o registro completo da configuração.
Injete deslocamento de carimbo de data/hora, erro de pose, obstrução, ruído de precipitação e perda de comunicação.
Teste obstáculos estáticos, pedestres atravessando, tráfego ultrapassando e casos de parada e movimento.
Conecte planejamento e controle; exercite grades desatualizadas, espaço desconhecido e atualizações parciais.
Reproduza um corpus de regressão fixo após cada atualização e compare a trajetória e Margem de segurança, não apenas IoU raster.

Direções de pesquisa

Grades semânticas associam distribuições sobre estradas, calçadas, veículos, pedestres e vegetação. Ocupação e fluxo 4D preveem volume e movimento ao longo do tempo. Campos implícitos neurais trocam resolução raster fixa por consultas contínuas. Grades cooperativas estendem a linha de visão. Todas introduzem novas questões: calibração de probabilidade, comportamento fora da distribuição, tempo limitado de consulta de colisão, correlação de fonte e resiliência a ataques.

Resumo

Uma grade de ocupação não é um exercício de coloração. É uma evidência Bayesiana sobre espaço livre, ocupado e não observado, vinculada a carimbos de data/hora e incerteza de pose. Atualizações de log-odds, modelos de sensor inverso, limpeza de raios, clamps e decaimento explicam tanto "obstáculos fantasmas" quanto paredes que desaparecem.

A grade também não é completa por si só. SLAM fornece um quadro, a percepção fornece evidências dinâmicas e semânticas, e o planejamento e MPC consomem custos relacionados à pegada e à parada. O teste final não é um mapa bonito; é se o sistema para com segurança. Evita comportamentos incômodos e se recusa a tratar o espaço não visto como comprovadamente livre.

Verifique seu entendimento

Uma baixa probabilidade de ocupação garante a transitabilidade?

Resolução, espaço desconhecido, formato do veículo e obstáculos em movimento ainda importam. A transitabilidade requer decisões que vão além da estimativa de ocupação.

Referências

Try it in the browser

Lab Change the conditions in a browser experimentNav2 tem um caminho, mas não se move: um fluxo de trabalho de diagnóstico.