[论文解读] 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 6

一句话总结

该论文提出了一种用于轮式机器人在植被覆盖地形中导航的实时路径规划算法PE-RRT*，通过融合本体感觉与外部感知来估计支撑面，采用多元高斯过程回归（MV-GPR）实现。该方法通过采样过程中的膨胀半径提升了安全性，在真实世界实验中，其路径生成速度更快、更平滑且更具鲁棒性，优于PF-RRT*、Pro-RRT*和RRT*+PrevMap。

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.

研究动机与目标

• 解决在植被遮挡导致刚性地面不可见时，轮式机器人在植被覆盖地形中路径规划不安全且不平滑的挑战。
• 通过将支撑面估计直接整合到采样过程中，消除耗时的前期可通行性地图构建需求。
• 通过基于估计地形不确定性的动态膨胀半径，提升路径安全性。
• 通过本体反馈与外部传感器数据（激光雷达）的不确定性加权融合，提升支撑面估计的可靠性，从而增强路径质量和鲁棒性。

提出的方法

• 提出一种混合地形估计方法，融合外部激光雷达点云与本体感觉数据（如轮式里程计或力反馈），以推断底层刚性支撑面。
• 采用多元高斯过程回归（MV-GPR）对采样节点处的地形高度与坡度进行建模，引入不确定性加权以提升估计可靠性。
• 提出PE-RRT*作为PF-RRT*的扩展，将支撑面估计直接嵌入RRT*的采样阶段，避免显式生成可通行性地图。
• 在RRT*树扩展过程中引入安全膨胀采样半径，动态增大对估计支撑面周围区域的缓冲区，以防止与障碍物发生碰撞。
• 利用增量式点云地图与历史轨迹数据（来自UWB或基于视觉的系统）实现支撑面估计在时间上的持续一致性。
• 在MV-GPR中采用SE（平方指数）核，以在地形与植被层面上施加平滑性与连续性假设，适用于均匀环境。

实验结果

研究问题

• RQ1 当刚性地面被植被遮挡且标准激光雷达点云无法探测时，轮式机器人如何在植被覆盖地形中实现安全导航？
• RQ2 融合本体感觉与外部感知是否能提升复杂、不平整植被环境中支撑面估计的准确性和鲁棒性？
• RQ3 将支撑面估计直接集成到RRT*采样过程中，是否相比预先计算可通行性地图能显著降低计算开销？
• RQ4 在采样阶段引入动态膨胀半径在多大程度上能增强真实植被场景下的路径安全性和避障能力？
• RQ5 与现有基线方法（如PF-RRT*、Pro-RRT*和RRT*+PrevMap）相比，所提出的PE-RRT*在性能、安全性和效率方面表现如何？

主要发现

• PE-RRT*生成的路径长度为11.869米，比PF-RRT*（13.006米）短8.7%，表明路径最优性得到提升。
• 最小安全距离（safety deg）为0.853米，优于PF-RRT*的0.798米，证明避障能力更强。
• PE-RRT*每条路径的计算时间仅需0.5秒，显著快于RRT*+PrevMap（1.3–2.5秒），且总耗时比基线方法快63.27%。
• 机器人的速度偏差为0.0069 m/s，为所有方法中最低，表明导航过程中运动稳定性与平滑性更优。
• 在真实世界实验中，PE-RRT*成功穿越密集植被与不平地形且未发生碰撞，而Pro-RRT*因缺乏基于点云的障碍物检测而失败。
• 该方法在多样化的户外环境（如花园与公园）中表现出强泛化能力，经视频演示与多场景一致性能验证。