[论文解读] Occupancy Grids: A Stochastic Spatial Representation for Active Robot Perception

Alberto Elfes|arXiv (Cornell University)|Mar 27, 2013

Robotics and Sensor-Based Localization参考文献 12被引用 221

一句话总结

本文提出了占用网格（Occupancy Grid），这是一种基于概率网格的随机空间表示方法，其中每个网格单元存储对占据状态的信念。通过使用多传感器、多视角数据进行贝叶斯推理，该方法实现了在不确定性条件下的鲁棒、增量式地图构建、路径规划与障碍物避让，在真实机器人感知任务中表现出色，且明确处理了不确定性问题。

ABSTRACT

In this paper we provide an overview of a new framework for robot perception, real-world modelling, and navigation that uses a stochastic tesselated representation of spatial information called the Occupancy Grid. The Occupancy Grid is a multi-dimensional random field model that maintains probabilistic estimates of the occupancy state of each cell in a spatial lattice. Bayesian estimation mechanisms employing stochastic sensor models allow incremental updating of the Occupancy Grid using multi-view, multi-sensor data, composition of multiple maps, decision-making, and incorporation of robot and sensor position uncertainty. We present the underlying stochastic formulation of the Occupancy Grid framework, and discuss its application to a variety of robotic tusks. These include range-based mapping, multi-sensor integration, path-planning and obstacle avoidance, handling of robot position uncertainty, incorporation of pre-compiled maps, recovery of geometric representations, and other related problems. The experimental results show that the Occupancy Grid approach generates dense world models, is robust under sensor uncertainty and errors, and allows explicit handling of uncertainty. It supports the development of robust and agile sensor interpretation methods, incremental discovery procedures, and composition of information from multiple sources. Furthermore, the results illustrate that robotic tasks can be addressed through operations performed di- rectly on the Occupancy Grid, and that these operations have strong parallels to operations performed in the image processing domain.

研究动机与目标

• 开发一种统一的、概率性的空间表示方法，用于主动机器人感知，以处理传感器不确定性与动态环境。
• 通过贝叶斯估计实现增量式、多传感器地图构建，并支持不确定性传播。
• 利用单一一致的世界模型，支持路径规划与障碍物避让等机器人导航任务。
• 将机器人位姿不确定性与预编译地图整合到一致的空间框架中。
• 为复杂机器人系统中的传感器解释与信息融合提供基础。

提出的方法

• 占用网格将空间表示为网格单元的阵列，每个单元分配一个占据概率，采用贝叶斯更新机制。
• 通过随机传感器模型融合来自多个视角和传感器的观测数据，以增量方式更新单元的占据概率。
• 该框架采用递归贝叶斯估计，保持占据后验概率，同时整合机器人与传感器位置的不确定性。
• 通过概率融合规则合并多个网格，支持地图合成，实现大规模环境建模。
• 路径规划与障碍物避让等操作直接在网格上执行，其空间推理方式类似于图像处理。
• 通过后处理与阈值化，该模型可从概率网格中恢复几何特征。

实验结果

研究问题

• RQ1 机器人如何在传感器噪声与不确定性条件下，维持对环境的一致性、概率性表示？
• RQ2 如何有效实现基于多传感器、多视角数据的增量式地图构建与更新？
• RQ3 如何在空间表示中显式建模并传播机器人位姿不确定性与传感器误差？
• RQ4 单一空间结构能否支持地图构建、导航与障碍物避让等多种机器人任务？
• RQ5 对占用网格的操作在多大程度上可类比图像处理技术，以实现空间推理？

主要发现

• 占用网格生成了对传感器噪声与误差具有鲁棒性的密集概率世界模型。
• 该框架通过贝叶斯推理实现了增量式地图更新，并能准确传播不确定性。
• 有效支持多传感器与多视角数据融合，提升了地图的准确性与完整性。
• 可在不确定性条件下直接在网格上执行路径规划与障碍物避让，性能表现优异。
• 该方法可无缝整合预编译地图与机器人位姿不确定性，形成统一表示。
• 基于网格的表述与图像处理操作具有显著相似性，支持高效的空问推理。