[論文レビュー] Temporally-Sampled Efficiently Adaptive State Lattices for Autonomous Ground Robot Navigation in Partially Observed Environments

Ashwin Menon, Eric R. Damm+4 more|arXiv (Cornell University)|Feb 13, 2026

Robotic Path Planning Algorithms被引用数 0

ひとこと要約

TSEASLは、以前に生成された軌道を再利用・部分的に最適化することで、オフロード navigation の地域ガイダンスをより安定させ、KEASLより安全介入を削減する仲裁アーキテクチャを導入します。

ABSTRACT

Due to sensor limitations, environments that off-road mobile robots operate in are often only partially observable. As the robots move throughout the environment and towards their goal, the optimal route is continuously revised as the sensors perceive new information. In traditional autonomous navigation architectures, a regional motion planner will consume the environment map and output a trajectory for the local motion planner to use as a reference. Due to the continuous revision of the regional plan guidance as a result of changing map information, the reference trajectories which are passed down to the local planner can differ significantly across sequential planning cycles. This rapidly changing guidance can result in unsafe navigation behavior, often requiring manual safety interventions during autonomous traversals in off-road environments. To remedy this problem, we propose Temporally-Sampled Efficiently Adaptive State Lattices (TSEASL), which is a regional planner arbitration architecture that considers updated and optimized versions of previously generated trajectories against the currently generated trajectory. When tested on a Clearpath Robotics Warthog Unmanned Ground Vehicle as well as real map data collected from the Warthog, results indicate that when running TSEASL, the robot did not require manual interventions in the same locations where the robot was running the baseline planner. Additionally, higher levels of planner stability were recorded with TSEASL over the baseline. The paper concludes with a discussion of further improvements to TSEASL in order to make it more generalizable to various off-road autonomy scenarios.

研究の動機と目的

• パッシブな可観測性下での robust なオフロード navigation を、マップ更新が移動可能性推定を継続的に修正する状況で促進する。
• 更新された prior 軌道と新たに生成された軌道を考慮して regional planner のガイダンスを仲裁する。
• ノード最適化による局所的な軌道修復を可能にし、再計画を全面的に行うことを回避する。
• Clearpath Warthog UGV で実データを用いた hardware-in-the-loop 性能を示す。

提案手法

• 地域プランナー仲裁アーキテクチャとして Temporally-Sampled Efficiently Adaptive State Lattices (TSEASL) を提案する。
• 軌道セレクタを用いて新規生成軌道と以前の更新版を比較し、アルファ係数で安価な方を選択する。
• 以前の軌道を現在の状態と地図に合わせてトリミング・更新し、新軌道の受理または前の軌道のノード最適化修復のいずれかを経由してルーティングする。
• 衝突が検知された場合、更新された以前の軌道の周囲を横方向にサンプリングして必要なセクションだけを修復する $t_{prev}'$ オプティマイザーを適用する。
• Trajectory-aligned state lattice 内に Anytime Repairing A* (ARA*) に基づく最適化ステップを組み込み、より速く改善された前駆体軌道を生成する。
• 計画サイクル全体で Modified Hausdorff Distance (MHD) を用いて計画安定性を評価し、シミュレーションと Warthog UGV の両方で KEASL と比較する。

実験結果

リサーチクエスチョン

• RQ1 TSEASL は部分的に観測されたオフロード環境において、基準の KEASL より計画の不安定さを低減するか？
• RQ2 仲裁閾値 alpha が軌道の安定性と安全介入にどのような影響を与えるか、多数の計画問題においてどのように変化するか？
• RQ3 ノード最適化された以前の軌道の修復は、動的マップにおける全面的な再計画と同等か、それ以上の性能を提供できるか？
• RQ4 実機ハードウェアで、実地地図データを用いた Warthog UGV で TSEASL は有効か？

主な発見

Planner Configuration	Mean (μ) MHD	# filtered values	# MHD zeros
TSEASL, α = 0.95	1.001	332	997
TSEASL, α = 0.96	1.020	335	988
TSEASL, α = 0.97	1.033	340	985
TSEASL, α = 0.98	1.079	350	983
TSEASL, α = 0.99	1.058	336	976
TSEASL, α = 0.999	1.182	378	953
KEASL	1.365	868	60

• TSEASL は KEASL より計画の安定性が高く、介入の必要性を減少させた。
• alpha を 0.95 から 0.999 に変えると、KEASL より低い平均 MHD を示し、地域計画の一貫性が改善された。
• 前の軌道のノード最適化は、再計画よりも速く短い解を生むことが多く、例として合成例で 19% の削減を達成したが、所要時間は分の一の量であった。
• 実車実験では、森林地帯のオフロード状況において TSEASL は KEASL に比べ介入が少なく、安全な経路により近づいていることを示した。
• 計画問題 1,747 件において、すべての TSEASL 派生は KEASL より平均 MHD が低く、多くの連続軌道で MHD がゼロとなり、計画安定性の改善を示した。