İşgal Izgara Haritalama — LiDAR ve Kamera Verilerini Geçilebilirlik Verilerine Dönüştürme

Contents — find the section you need

LiDAR nokta bulutu, duvarları ve yolları son derece hassas bir şekilde gösterebilir. Ancak bir planlamacının farklı bir cevaba ihtiyacı vardır: Araç gövdesi nereye sığabilir, hangi alan hiç gözlemlenmemiştir, bir engel ne kadar belirsizdir ve hareket eden bir yayanın izi ne zaman kaybolmalıdır? Bir doluluk ızgarası, sürekli alanı hücrelere böler ve her hücrenin dolu olma olasılığını toplar.

Bu sadece siyah-beyaz bir görüntü değildir. Bir menzil ışını tarafından geçilen hücreler, boş alan kanıtı sağlar; geçerli bir uç nokta, doluluk kanıtı sağlar; hiçbir ışının gözlemlemediği hücreler bilinmez kalır. Bilinmeyen alanı boş olarak boyamak, bir aracı görünmeyen bir ara sokaktan veya bir duvarın arkasından geçirebilir. Bu makale, bir menzil güncellemesini Bayes haritalama, SLAM, dinamikler, 3B gösterimler, planlama ve güvenlik değerlendirmesiyle ilişkilendirir.

LiDAR, doluluk ızgarası gözlem kaynağı olarak

Resim: Concept of LiDAR (Cartographer3d, CC BY-SA 4.0), Wikimedia Commons. Bu, uçuş süresi kavramıdır, burada açıklanan ızgaranın belirli bir araç veya ürün uygulaması değildir.

Kısa sonuç

Her hücre için bir olasılık saklayın. 0,5'e yakın değerler bilinmeyeni, 1'e yakın değerler doluyu ve 0'a yakın değerler boşu temsil eder.
Log-olasılık, özyinelemeli Bayes kanıtını toplama işlemine dönüştürür. Eski ve güçlü bir şekilde inanılan bir engelin sonunda ortadan kaldırılabilmesi için menzilini sınırlandırın.
Geçerli bir dönüş noktası işaretleyin ve öncesindeki boş alanı ışın izleme yöntemiyle tarayın. Maksimum menzil, dönüş yok, cam, toz, kar ve donanım hatalarına aynı ters modeli vermeyin.
Bir SLAM haritası yerelleştirmeyi ve kalıcı yapıyı destekler; kayan yerel maliyet haritası anlık çarpışma önlemeyi destekler. Statik ve dinamik zaman ölçeklerini ayırın.
Araç bir nokta değildir. Planlamadan önce ayak izi, pozisyon ve izleme belirsizliği, kontrolör hatası ve durma marjı ile engelleri şişirin.
Semantik doluluk, gelecekteki doluluk akışı ve sinirsel örtük haritalar aktif araştırma yönleridir, ancak çarpışma sorgusu gecikmesi, kalibrasyon ve bilinmeyen alan davranışı belirleyici olmaya devam etmektedir.

Menzil ışınından hücrelere

Şekil 1 — Ters bir sensör modeli, bitiş noktasını işaretler ve ondan önceki hücreleri temizler. Gri bilinmeyen alan, boş alan değildir.

Orijin $(x_0,y_0)$ ve çözünürlük $r$ için, bir dünya noktası $(x,y)$ şuna eşlenir:

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

$r$ 'yi yarıya bölmek, 2B belleği yaklaşık dört katına çıkarır ve yoğun 3B'yi çarpar. Voksel belleği sekiz kat daha fazla. Sensör ve pozisyon belirsizliğinin altındaki çözünürlük, gerçek hassasiyet yerine titreme yaratır.

Sürekli harita çerçevesi, sürekli odometri çerçevesi, araç gövdesi ve sensör arasındaki dönüşümler, ölçüm zaman damgasında değerlendirilmelidir. Eski bir araç pozisyonuyla dönüştürülen mevcut bir nokta bulutu, düz duvarları eğimli şeritlere dönüştürür. Görünürdeki birçok haritalama hatası, saat ve çerçeve hatalarıdır.

Bayes ve log-olasılık güncellemesi

$O_i$ , $m_i$ hücresinin doluluk oranı, $t$ boyunca yapılan gözlemler $z_{1:t}$ ve pozisyonlar $x_{1:t}$ olsun. Harita şunları saklar:

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

Klasik ızgaralar, işlenebilirlik için hücre bağımsızlığını varsayar ve ters bir sensör modeli $P(O_i\mid z_t,x_t)$ kullanır. Bu, bir duvarın sürekliliği gibi mekansal korelasyonu ortadan kaldırır, ancak verimli yerel güncellemelere izin verir.

Tanımlayın log-olasılıklar

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

Özyinelemeli güncelleme şu hale gelir:

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}

$p_0=0.5$ ve $l_0=0$ ile. İşgal edilmiş kanıt pozitif bir artış, boş kanıt ise negatif bir artış ekler. Olasılığı şu şekilde geri kazanın:

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

Pratikte, $l_{min}\le l_{t,i}\le l_{max}$ 'ye sabitleyin. Doygunluk olmadan, saatlerce gözlemlenen bir nesnenin hareket ettikten sonra kaybolması için yüzlerce boş gözlem gerekebilir. Sabitleme, sistemin geçmişi ne kadar güçlü bir şekilde revize edebileceğiyle ilgili bir karardır, sadece sayısal hijyenle ilgili değildir.

Ters sensör modeli

2B tarama için, Bresenham veya DDA, bir ışın boyunca hücreleri numaralandırır. Geçerli bir uç nokta işgali işaretler ve önceki hücreler boş kanıt alır. Farklı dönüş durumları farklı politikalar gerektirir:

Geçerli bir dönüş, uç noktayı işaretleyebilir ve ondan önce temizleyebilir.
Maksimum aralık veya Geri dönüşsüz örnek, cihaz semantiğine bağlı olarak doğrulanmış bir aralık içinde temizlenebilir.
Minimum aralığın altındaki veriler, yakın alan kör bölgesini temizlememelidir.
Yağmur, kar, böcekler ve toz, mekansal ve zamansal tutarlılık filtrelerinden faydalanır.
Cam ve düşük yansıtıcı yüzeyler, geri dönüşsüz örneği güvenli olmayan bir boş alan kanıtı haline getirebilir.

Kamera derinliği, stereo ve semantik segmentasyon zemine yansıtılabilir. Tek başına monoküler sınıf çıktısının doğru bir aralığı yoktur. Yansıtma bir yol düzlemi, öğrenilmiş derinlik veya nesne boyutlarını varsayarsa, ilgili belirsizliği yayın. Visual SLAM tarafından kullanılan seyrek özellik haritası ve çarpışma ızgarasının farklı görevleri vardır.

Poz belirsizliği ve döngü kapanışı

$g(x,z)$ , sensör noktası $z$ 'yi poz $x$ aracılığıyla dünya koordinatlarına dönüştüren fonksiyon olsun; poz kovaryansı ile $P_x$ ve ölçüm kovaryansı $R_z$ , doğrusallaştırılmış noktanın birinci dereceden yayılımı şunu verir:

P_p\approx J_xP_xJ_x^T+J_zR_zJ_z^T

Konum belirsizken küçük bir hücreyi güçlü bir şekilde işaretlemek, tekrarlanan geçişlerde duvarları kalınlaştırır. Kanıtları mekansal olarak dağıtın veya alt harita koordinatlarında güncelleyin. Döngü kapanması eski pozisyonları değiştirdiğinde, tek bir küresel rastere geri döndürülemez şekilde yakılan noktaları onarmak zordur; pozisyon grafikleri ve alt haritalar optimizasyondan sonra yeniden birleştirilebilir. LiDAR SLAM Temel Kılavuzu'na bakın.

Statik, yerel ve dinamik katmanları ayırın

Katman	Zaman ölçeği	Örnekler	Güncelleme politikası
statik	günler ila yıllar	duvar, kaldırım, bina	SLAM/HD harita, kontrollü güncellemeler
geçici	saniyeler	park halindeki araç, düşmüş nesne	işaretleme, temizleme, bozulma
dinamik	saniyenin onda birinden saniyeye	araç, yaya, bisikletli	izleme ve gelecekteki doluluk
anlamsal/kurallar	harita sürümü	şerit, durma çizgisi, yasak bölge	sürümlü kaynak
güvenlik marjı	kontrol döngüsü	ayak izi, durma marjı	hız ve belirsizliğe bağlı

Basit bir bozunma şöyledir:

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

Çok küçük bir $\tau$ sabit bir engeli siler; çok büyük bir $\tau$ ise hareket eden trafiğin arkasında izler bırakır. Mümkün olduğunca dinamik nesneleri ayrı olarak izleyin ve gözlemlerinin statik yapıyı kalıcı olarak kirletmesini önleyin.

Gelecekteki doluluk $P(O_{i,k})$ veya doluluk akışı, gelecekteki adımda $k$ alanın nerede işgal edilebileceğini gösterir. Bir kutu dedektöründen farklı olarak, sınıflandırılmamış engelleri ve birden fazla mekansal hipotezi temsil edebilir. Kalibrasyon kritik önem taşır: 0,9'luk bir doluluk tahmini, değerlendirilen dağılım içinde zamanın yaklaşık %90'ında doğru olmalıdır.

2D, Yükseklik, Voksel ve BEV

2B ızgara hızlıdır ancak çıkıntıları, dalları, bir kamyonun altındaki boşluğu veya eğimleri doğal olarak temsil edemez. 2.5B yükseklik haritası hücre başına yükseklik istatistiklerini depolar; voksel ızgarası hacmi ayrıştırır; OctoMap, işgal edilen hacmi bir oktree'de sıkıştırır.

Otomatik sürüş ağları, kamera, LiDAR ve radar özelliklerini giderek kuşbakışı görünüme dönüştürüyor ve işgal, anlamsal ve hareketi tahmin ediyor. Öğrenilmiş tamamlama, gizlenmiş bölgeleri çıkarabilir, ancak olasılığı eğitim verilerinin dışında aşırı güvenli olabilir. Güvenilirlik diyagramlarını, beklenen kalibrasyon hatasını, mesafeyi, hava durumunu, coğrafyayı ve sensör arıza dilimlerini değerlendirin.

3B'yi 2B planlama katmanına indirgerken, engel yüksekliği bandını açıkça tanımlayın. Alçak bir kaldırım, geçilebilir çim ve üstten bir kiriş aynı projeksiyon kuralını paylaşamaz.

İşgalden maliyete ve kontrole

Planlama, yalnızca ham işgal yerine çarpışma ve yakınlık maliyetini kullanır. Engel mesafesi için bir enflasyon modeli $d$ şöyledir:

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}

Araç ayak izini ve süpürülen hacmi, pozisyon ve izleme kovaryansını, kontrolör izleme hatasını ve durma mesafesini hesaba katar. Dairesel bir robot yarıçapı, dönüş sırasında uzun bir araç için yetersizdir.

Yol Planlama Temelleri, maliyetler üzerinden A ve Hibrit A aramasını açıklar. MPC Temelleri, araç ve engel kısıtlamalarına tabi olarak tahmin edilen bir yörüngeyi optimize eder. Haritalama 5 Hz'de ve kontrol 50 Hz'de çalışıyorsa, kontrolörün ızgara zaman damgasını incelemesi ve eski veriler altında davranışı sınırlandırması gerekir.

ROS 2 Nav2 Costmap2D, eklentiler aracılığıyla statik haritaları, engelleri, voksel'leri, enflasyonu, yasak bölgeleri ve hız filtrelerini katmanlar. Sıralama önemlidir: enflasyondan sonra eklenen bir engel, beklenen marjı almayacaktır.

İşbirlikçi V2X Üzerindeki Doluluk

V2X, ego sensörleri görmeden önce gizlenmiş bir bölgeyi paylaşabilir. Döşeme, kaynak çerçeveye, ölçüm zamanına, gönderici pozisyon kovaryansına ve menşeine ihtiyaç duyar. Birkaç araç aynı yol kenarı gözlemini iletiyorsa, bunları bağımsız kanıt olarak ele almak güveni ikiye katlar.

İletişim gecikmesi $\Delta t$ sırasında, dinamik bir nesne $v\Delta t$ etrafında hareket eder. Statik içeriği dinamik içerikten ayırın, hareketi yayın ve bir paketin imzalanmış olması nedeniyle yerel kanıtı asla geçersiz kılmayın. Tehlikeye atılmış bir gönderici, tüm yolu engellenmiş olarak işaretleyebilir; kimlik doğrulamanın ötesinde fiziksel tutarlılık ve kaynak çeşitliliği gereklidir.

Arıza modelleri ve güvenlik yanıtı

Bilinmeyeni serbest olarak ele almak

Gözlemlenmemiş hücreleri, sensörün hiç görmediği uzayda sıfır rota olarak başlatmak. Bir keşif robotu, bilinmeyen alana girmenin değerine ayrı bir maliyet atayabilir; bir yol aracı, durma mesafesi içindeki bilinmeyeni muhafazakar bir şekilde ele almalıdır.

Çok agresif temizleme

Tek bir "geri dönüş yok" gözlemi, hedef cam olduğunda veya yağmur sinyali zayıflattığında bir duvarı silebilir. İşgal edilmiş ve boş kanıtlar için farklı güncelleme büyüklükleri kullanın, tekrarlanan onay isteyin ve sensör tipine göre güven atayın.

Eski bir harita kullanma

Yeni bir taşıma zaman damgası, yeni bilgi anlamına gelmez: yukarı akış tahmincisi durmuş ve aynı verileri yeniden iletiyor olabilir. Üretim zamanını, sıra numarasını, güncellenen bölgeyi ve giriş sensörünün kalp atışını izleyin.

Hıza uygun olmayan şişirme

Yavaş bir depo robotu için ayarlanmış sabit bir yarıçap, hızlı bir araç için yeterli durma payı sağlayamaz. Tepki gecikmesi $T$ , hız $v$ ve mevcut yavaşlama $a$ için,

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

Yöne bağlı marj kullanın veya tahmin edilen tüm süpürülen hacmi çarpışma kontrolüyle kontrol edin.

Metrikler ve deneysel prosedür

Hücre Ölçümler arasında dolu/boş hassasiyet ve geri çağırma, IoU, Brier skoru, negatif log-olabilirlik ve kalibrasyon bulunur. Genel doğruluk yanıltıcıdır çünkü boş hücreler baskındır. Aralık, tıkanma, sınıf, hava durumu ve gözlemden bu yana geçen süreye göre dilimleme yapılır.

Sistem ölçümleri arasında çarpışma ve kıl payı atlatma, planlama hatası, gereksiz duraklamalar, minimum engel açıklığı, harita gecikmesi, CPU, bellek ve bant genişliği bulunur. Fiziksel engel görünümünden algılama, haritalama, planlama ve kontrole kadar geçen uçtan uca süreyi ölçün.

Bilinen geometriye karşı tek bir ışın, işaretleme/temizleme semantiği, sınırlar ve çerçeve dönüşümlerini birim test edin.
Kayıtları tekrar oynatın ve deterministik çıktıyı doğrulayın ve yapılandırma kaydını tamamlayın.
Zaman damgası ofseti, pozisyon hatası, tıkanma, yağış gürültüsü ve iletişim kaybı ekleyin.
Statik engelleri, karşıdan karşıya geçen yayaları, sollama trafiğini ve dur-sonra-hareket etme durumlarını test edin.
Planlama ve kontrolü bağlayın; eski ızgaraları, bilinmeyen alanı ve kısmi güncellemeleri çalıştırın.
Sabit bir kaydı tekrar oynatın. Her güncellemeden sonra regresyon veri kümesini karşılaştırın ve sadece raster IoU'yu değil, yörüngeyi ve güvenlik marjını da karşılaştırın.

Araştırma Yönleri

Semantik ızgaralar, yol, kaldırım, araç, yaya ve bitki örtüsü üzerindeki dağılımları birleştirir. 4 boyutlu doluluk ve akış, gelecekteki zaman boyunca hacim ve hareketi tahmin eder. Sinirsel örtük alanlar, sabit raster çözünürlüğünü sürekli sorgularla değiştirir. İşbirlikçi ızgaralar görüş hattını genişletir. Hepsi yeni sorular ortaya çıkarır: olasılık kalibrasyonu, dağılım dışı davranış, sınırlı çarpışma-sorgu süresi, kaynak korelasyonu ve saldırı direnci.

Özet

Bir doluluk ızgarası bir renklendirme egzersizi değildir. Zaman damgalarına ve pozisyon belirsizliğine bağlı, serbest, dolu ve gözlemlenmemiş alan hakkında Bayesçi kanıttır. Log-olasılık güncellemeleri, ters sensör modelleri, ışın temizleme, kelepçeler ve bozunma hem "hayalet engelleri" hem de kaybolan duvarları açıklar.

Izgara da kendi başına tamamlanmış değildir. SLAM bir çerçeve sağlar, algılama dinamik ve semantik kanıt sağlar ve planlama ve MPC, ayak izi ve Durma farkındalığına dayalı maliyetler. Son test güzel bir harita değil; sistemin güvenli bir şekilde durup durmadığı, rahatsız edici davranışlardan kaçınıp kaçınmadığı ve görünmeyen alanı kanıtlanmış boş alan olarak ele almayı reddedip reddetmediğidir.

Anlayışınızı kontrol edin

Düşük doluluk olasılığı geçilebilirliği garanti eder mi?

Çözünürlük, bilinmeyen alan, araç şekli ve hareketli engeller hala önemlidir. Geçilebilirlik, doluluk tahmininin ötesinde kararlar gerektirir.

Referanslar

H. Moravec ve A. Elfes — Geniş Açılı Sonardan Yüksek Çözünürlüklü Haritalar, IEEE ICRA 1985
A. Elfes — Mobil Robot Algılama ve Navigasyon için Doluluk Izgaralarının Kullanımı
[Nav2 — Maliyet Haritası] 2B](https://docs.nav2.org/rolling/configuration_and_development/configuration_guide/core_servers/costmap_2d/)
Nav2 — Haritalama ve yerelleştirme kurulumu
ROS 2 — nav_msgs/OccupancyGrid
OctoMap — Olasılıksal 3B Haritalama Çerçevesi
Autoware Dokümantasyonu

Try it in the browser

Lab Change the conditions in a browser experimentNav2'nin bir yolu var ancak hareket etmiyor: bir teşhis iş akışı