[论文解读] A Comprehensive Review on Autonomous Navigation

Saeid Nahavandi, Roohallah Alizadehsani+5 more|arXiv (Cornell University)|Dec 24, 2022

Robotic Path Planning Algorithms被引用 13

一句话总结

本综述全面整合了移动机器人自主导航领域的最先进技术，涵盖传感器技术、SLAM、路径规划、障碍物避让、传感器融合以及深度学习的集成。文章突出显示了关键挑战、未来研究方向以及公开可用的数据集，为机器人学与人工智能驱动的导航系统研究人员提供了关键路线图。

ABSTRACT

The field of autonomous mobile robots has undergone dramatic advancements over the past decades. Despite achieving important milestones, several challenges are yet to be addressed. Aggregating the achievements of the robotic community as survey papers is vital to keep the track of current state-of-the-art and the challenges that must be tackled in the future. This paper tries to provide a comprehensive review of autonomous mobile robots covering topics such as sensor types, mobile robot platforms, simulation tools, path planning and following, sensor fusion methods, obstacle avoidance, and SLAM. The urge to present a survey paper is twofold. First, autonomous navigation field evolves fast so writing survey papers regularly is crucial to keep the research community well-aware of the current status of this field. Second, deep learning methods have revolutionized many fields including autonomous navigation. Therefore, it is necessary to give an appropriate treatment of the role of deep learning in autonomous navigation as well which is covered in this paper. Future works and research gaps will also be discussed.

研究动机与目标

• 提供移动机器人自主导航技术的全面、最新综合分析，应对该领域快速发展的现状。
• 识别并分析自主导航中的关键研究空白与挑战，特别是在动态和非结构化环境中的挑战。
• 强调深度学习在提升SLAM、障碍物避让和路径规划方面所起的变革性作用。
• 评估并比较主要的仿真平台、传感器类型以及公开可用的数据集，以支持实际应用。
• 概述未来研究方向，包括语义SLAM、鲁棒的回环检测以及在环境先验信息极少情况下的长距离导航。

提出的方法

• 对2000年至2022年期间发表的同行评审文献进行系统性综述，聚焦于自主移动机器人及导航系统。
• 对传感器类型（激光雷达、摄像头、IMU）进行分类与对比分析，明确其在感知与定位中的作用。
• 评估SLAM技术，包括基于特征、直接法以及语义SLAM，重点关注动态环境处理与回环检测。
• 考察深度学习在障碍物避让、路径规划与传感器融合中的应用，尤其关注基于视觉与混合系统中的表现。
• 审查仿真平台（如Gazebo、Webots、AirSim）及其在测试导航流程中的适用性。
• 分析基准数据集（如KITTI、EuRoC、TUM RGB-D）在SLAM与导航研究中的应用，实现无需物理硬件的真实世界评估。

实验结果

研究问题

• RQ1 深度学习方法如何提升了自主移动机器人中SLAM与障碍物避让的鲁棒性与准确性？
• RQ2 当前SLAM系统在动态环境中的主要局限性是什么？语义方法与混合（激光雷达+视觉）方法如何缓解这些局限？
• RQ3 在真实世界条件下训练与验证自主导航系统时，最有效的仿真工具与数据集是什么？
• RQ4 强化学习与拓扑表示如何实现仅依赖最少地图或传感器数据的未知环境中长距离导航？
• RQ5 在计算资源受限的轻量化嵌入式平台上部署自主导航系统时，主要的开放挑战是什么？

主要发现

• 深度学习显著提升了视觉SLAM中的特征检测与回环检测性能，但其表现仍对光照与天气变化敏感。
• 结合激光雷达与深度学习的混合SLAM系统在雨天或低光照等恶劣条件下展现出提升鲁棒性的潜力。
• 语义SLAM通过区分静态与动态物体，改善了对动态环境的处理能力，提升了地图的一致性。
• 基于强化学习的导航系统（如ViKiNG）仅依赖GPS、卫星地图与示意性道路图，即可实现千米级导航，无需构建密集几何地图。
• 主动SLAM与不确定性感知探索策略可提升地图质量并减少冗余探索，尤其在未知或部分可观测环境中表现更优。
• 尽管已有进展，由于计算资源受限，视觉SLAM在嵌入式平台上的实时执行仍具挑战，亟需模型压缩与高效推理技术。