[論文レビュー] Path Generation for Wheeled Robots Autonomous Navigation on Vegetated Terrain

Zhuozhu Jian, Zejia Liu+4 more|arXiv (Cornell University)|Jun 15, 2023

Smart Agriculture and AI被引用数 6

ひとこと要約

本稿では、車輪型ロボットが植生に覆われた地形を走行する際のリアルタイムパスプランニングアルゴリズムとして、PE-RRT*を提案する。本手法は、多変量ガウス過程回帰（MV-GPR）を用いて、自己認識情報と外部センシングを統合し、支持面を推定することで、サンプリングにおけるインフレーション半径を導入し、安全性を向上させた。実世界の実験では、PF-RRT*、Pro-RRT*、RRT*+PrevMapよりも高速で滑らかでより頑健なパス生成を実現した。

ABSTRACT

Wheeled robot navigation has been widely used in urban environments, but little research has been conducted on its navigation in wild vegetation. External sensors (LiDAR, camera etc.) are often used to construct point cloud map of the surrounding environment, however, the supporting rigid ground used for travelling cannot be detected due to the occlusion of vegetation. This often causes unsafe or not smooth path during planning process. To address the drawback, we propose the PE-RRT* algorithm, which effectively combines a novel support plane estimation method and sampling algorithm to generate real-time feasible and safe path in vegetation environments. In order to accurately estimate the support plane, we combine external perception and proprioception, and use Multivariate Gaussian Processe Regression (MV-GPR) to estimate the terrain at the sampling nodes. We build a physical experimental platform and conduct experiments in different outdoor environments. Experimental results show that our method has high safety, robustness and generalization.

研究の動機と目的

• 剛体の地面が植生に遮蔽され、標準的なLiDARポイントクラウドでは検出できない植生に覆われた地形において、安全で滑らかでないパスプランニングの課題に対処すること。
• 事前 traversability マップの構築に要する時間の長さを解消するため、支持面推定をサンプリングプロセスに直接統合すること。
• 推定された地形の不確実性に基づいて、RRT*のサンプリングアルゴリズムに動的インフレーション半径を導入することで、パスの安全性を向上させること。
• 自己認識フィードバックと外部センサデータ（LiDAR）の不確実性重み付き統合を用いて支持面推定を最適化し、パスの品質と頑健性を向上させること。

提案手法

• 外部LiDARポイントクラウドと自己認識データ（例：ホイールオドメトリ、力フィードバック）を融合させ、下部の剛体支持面を推定するハイブリッドな地形推定手法を提案する。
• サンプリングノードにおける地形の高さと勾配をモデル化するために、不確実性重みを組み込んだ多変量ガウス過程回帰（MV-GPR）を採用し、推定の信頼性を向上させる。
• PE-RRT*をPF-RRT*の拡張として提案し、支持面推定をRRT*のサンプリング段階に直接統合することで、明示的なtraversabilityマップの生成を回避する。
• RRT*の木拡張プロセスにおいて、推定された支持面の周囲に動的バッファゾーンを拡大するインフレーション半径を導入し、障害物との衝突を防止する。
• インクリメンタルポイントクラウドマッピングとUWBまたはビジュアルベースのシステムからの履歴軌道データを用いて、時間経過に伴う一貫性のある支持面推定を維持する。
• 均一な環境に適した滑らかさと連続性の仮定を満たすために、MV-GPRにSE（平方指数）カーネルを採用する。

実験結果

リサーチクエスチョン

• RQ1 剛体の地面が植生に遮蔽され、標準的なLiDARポイントクラウドでは検出できない状況下で、車輪型ロボットはどのようにして植生に覆われた地形を安全に走行できるか？
• RQ2 自己認識情報と外部センシングの統合は、複雑で不整な植生環境における支持面推定の精度と頑健性を向上させることができるか？
• RQ3 RRT*のサンプリングプロセスに直接支持面推定を統合することで、事前 traversability マップの計算に比べて計算オーバーヘッドを低減できるか？
• RQ4 サンプリング段階に動的インフレーション半径を導入することで、実世界の植生環境においてパスの安全性と障害物回避能力がどの程度向上するか？
• RQ5 PF-RRT*、Pro-RRT*、RRT*+PrevMapといった既存のパスプランニングベースラインと比較して、提案手法PE-RRT*は性能、安全性、効率性においてどの程度優れているか？

主な発見

• PE-RRT*は11.869メートルのパス長を生成し、PF-RRT*（13.006 m）よりも8.7%短く、パス最適性の向上を示した。
• 最小安全距離（safety deg）は0.853メートルで、PF-RRT*（0.798 m）を上回り、障害物回避能力の向上を実証した。
• PE-RRT*は1パスあたり0.5秒の計算時間で済み、RRT*+PrevMap（1.3–2.5 s）よりも著しく高速で、合計時間ではベースラインRRT*+PrevMapよりも63.27%速かった。
• ロボットの速度変動は0.0069 m/sで、全手法中最も低く、ナビゲーション中の運動安定性と滑らかさの優位性を示した。
• 実世界の実験では、PE-RRT*は密集した植生や不整な地形を衝突なく走行できたが、Pro-RRT*はポイントクラウドベースの障害物検出が不足していたため失敗した。
• 動画デモと複数のシナリオにおける一貫性ある性能から、本手法は庭園や公園など多様な屋外環境において優れた汎用性を示した。