[논문 리뷰] Temporally-Sampled Efficiently Adaptive State Lattices for Autonomous Ground Robot Navigation in Partially Observed Environments

Ashwin Menon, Eric R. Damm외 4명|arXiv (Cornell University)|2026. 02. 13.

Robotic Path Planning Algorithms인용 수 0

한 줄 요약

TSEASL은 임의 재사용하고 부분적으로 최적화된 이전에 생성된 궤적을 재사용하여 오프로드 항법에 더 안정적인 지역 지침을 제공하는 중재 아키텍처를 도입하여 KEASL에 비해 안전 개입을 감소시킨다.

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.

연구 동기 및 목표

• 부분 관측 가능성 하에서 맵 업데이트가 연속적으로 Traversability 추정을 수정하는 상황에서 견고한 오프로드 항해를 동기화한다.
• updated prior trajectories along with newly generated ones를 고려하여 지역 계획자 지침을 중재한다.
• 가능하면 전체 재계획 없이 노드 최적화를 통해 효율적인 로컬 궤적 수리를 가능하게 한다.
• 실제 맵 데이터가 있는 Clearpath Warthog UGV와 하드웨어-루프 성능을 입증한다.

제안 방법

• 지역 계획자 중재 아키텍처로 Temporally-Sampled Efficiently Adaptive State Lattices(TSEASL)를 제안한다.
• trajectory selector를 사용하여 새로 생성된 궤적과 업데이트된 이전 궤적을 비교하고 α배로 더 저렴한 것을 선택한다.
• 이전 궤적을 현재 상태와 맵에 맞게 다듬고 새 궤적의 수용 여부 또는 이전 궤적의 노드 최적화 수리를 통해 경로를 선택한다.
• 충돌이 감지되면 업데이트된 이전 궤적 주위로 수평 샘플링하는 t_prev' 최적화를 적용하여 필요한 구간만 수리한다.
• 궤적 정렬된 상태 격자 내에서 Anytime Repairing A* (ARA*) 기반 최적화 단계를 포함하여 더 빠르고 개선된 선행 궤적을 생성한다.
• 계획 주기 동안 Modified Hausdorff Distance (MHD)를 사용해 계획 안정성을 평가하고 시뮬레이션과 Warthog UGV에서 KEASL과 비교한다.

실험 결과

연구 질문

• RQ1 부분 관측 가능한 오프로드 환경에서 TSEASL이 기본 KEASL에 비해 계획 불안정성을 감소시키는가?
• RQ2 중재 임계값 α가 다양한 계획 문제에서 궤적 안정성과 안전 개입에 어떤 영향을 미치는가?
• RQ3 이전 궤적의 노드 최적화 수리가 dynamic 맵에서 전체 재계획보다 비교 가능하거나 더 나은 성능을 제공하는가?
• RQ4 실제 맵 데이터가 있는 Warthog UGV를 사용한 실무 하드웨어에서 TSEASL은 효과적인가?

주요 결과

• TSEASL은 KEASL보다 더 높은 계획 안정성을 보였고 다양한 시도에서 안전 개입의 필요성을 줄였다.
• α를 0.95에서 0.999로 변화시키면 KEASL보다 평균 Modified Hausdorff Distances(MHD)가 낮아 지역 계획의 일관성이 향상되었음을 나타낸다.
• 이전 궤적의 노드 최적화는 재계획보다 더 빠르고 짧은 해를 자주 제공하며(예: 합성 예에서 19% 감소) 더 적은 시간으로 수행된다.
• 숲이 우거진 오프로드 시나리오에서 TSEASL은 KEASL에 비해 개입이 감소하고 안전 경로에 더 근접하게 따라가는 것을 시연하는 라이브 로봇 실험.
• 1,747개의 계획 문제에 걸쳐 모든 TSEASL 변형이 KEASL보다 더 낮은 평균 MHD를 보였고, 많은 연속 궤적이 0 MHD를 달성하여 계획 안정성이 향상되었음을 보여준다.