[论文解读] Learning Risk-aware Costmaps for Traversability in Challenging Environments

David D. Fan, Dey, Sharmita+2 more|arXiv (Cornell University)|Jul 25, 2021

Anomaly Detection Techniques and Applications参考文献 42被引用 41

一句话总结

本文提出一种深度学习方法，通过直接从激光雷达点云学习条件风险价值（CVaR），为非结构化环境中的自主导航生成风险感知成本图。采用一种新型无分布假设的损失函数，该方法生成鲁棒且计算高效的成本图，准确捕捉尾部分布风险，无需依赖高斯分布假设，在真实世界腿式机器人数据（如洞穴和地铁系统等复杂地形）上，其泛化能力、抗异常值能力和推理速度均优于基线方法。

ABSTRACT

One of the main challenges in autonomous robotic exploration and navigation in unknown and unstructured environments is determining where the robot can or cannot safely move. A significant source of difficulty in this determination arises from stochasticity and uncertainty, coming from localization error, sensor sparsity and noise, difficult-to-model robot-ground interactions, and disturbances to the motion of the vehicle. Classical approaches to this problem rely on geometric analysis of the surrounding terrain, which can be prone to modeling errors and can be computationally expensive. Moreover, modeling the distribution of uncertain traversability costs is a difficult task, compounded by the various error sources mentioned above. In this work, we take a principled learning approach to this problem. We introduce a neural network architecture for robustly learning the distribution of traversability costs. Because we are motivated by preserving the life of the robot, we tackle this learning problem from the perspective of learning tail-risks, i.e. the Conditional Value-at-Risk (CVaR). We show that this approach reliably learns the expected tail risk given a desired probability risk threshold between 0 and 1, producing a traversability costmap which is more robust to outliers, more accurately captures tail risks, and is more computationally efficient, when compared against baselines. We validate our method on data collected a legged robot navigating challenging, unstructured environments including an abandoned subway, limestone caves, and lava tube caves.

研究动机与目标

• 解决在传感器噪声、定位误差和复杂地形交互导致经典几何方法失效的非结构化、不确定环境中，准确建模可通行性风险的挑战。
• 开发一种基于学习的方法，直接从原始激光雷达数据估计CVaR，避免对分布形式（如高斯分布）的严格假设。
• 提升在自主机器人导航中生成可通行性成本图时对异常值的鲁棒性及计算效率。
• 在包括熔岩管、石灰岩洞穴和废弃地铁系统在内的多样化真实世界非结构化环境中验证该方法。
• 提供一种可扩展的端到端学习框架，在保持高风险量化精度的同时，对分布外地形具有良好的泛化能力。

提出的方法

• 使用卷积神经网络（CNN）在原始或经过最小预处理的激光雷达点云上进行训练，以预测风险感知成本图，其中每个单元格代表在特定置信水平α下的可通行性成本的CVaR。
• 提出一种新型可微分损失函数，强制在风险阈值α下对分位数和CVaR预测保持单调性，从而实现无需分布假设的直接训练。
• 采用分位数回归风格的损失函数，训练网络以预测VaR（风险价值）和CVaR（条件风险价值），重点关注尾部分布风险的估计。
• 训练标签来源于模拟或真实的可通行性成本分布，无需假设特定的参数形式（如高斯分布）。
• 在六组真实世界数据集上端到端训练网络，这些数据集由腿式机器人在包括洞穴和废弃基础设施在内的多样化非结构化环境中采集。
• 评估使用VaR和CVaR的伪决定系数（pseudo-R²）指标，结合隐含的α值评估校准性，并在分布内与分布外设置下比较性能。

实验结果

研究问题

• RQ1 深度学习模型能否在不假设特定概率分布的前提下，直接从激光雷达数据学习基于CVaR的可通行性成本图？
• RQ2 所提出的无分布假设CVaR学习方法在鲁棒性和准确性方面，与传统手工设计成本图及基于高斯假设的模型相比如何？
• RQ3 所学习的成本图在泛化到分布外环境（如具有高风险特征但未在训练中出现的石灰岩洞穴）方面的能力如何？
• RQ4 与经典成本图生成流水线相比，该方法是否在计算效率上有所提升？
• RQ5 该模型在尾部分布风险（例如α = 0.95）上的捕捉能力如何，而传统方法常因数据稀疏或分布不匹配而失效？

主要发现

• 所提出的CVaR学习模型在VaR和CVaR预测精度上均优于手工设计、L1损失和NLL损失的基线模型，尤其在高风险阈值（α ≥ 0.9）时表现更优。
• 在大多数α水平下，模型在VaR和CVaR上的伪决定系数（pseudo-R²）接近1.0，仅在α = 0.95时因数据分布限制出现适度下降。
• 在分布外的石灰岩洞穴数据集上，模型在所有α水平下均保持伪决定系数 > 0，表明尽管地形复杂且存在新特征，仍具备强鲁棒泛化能力。
• 与手工设计成本图方法相比，CVaR学习方法将推理时间减少了近5倍，中位计算时间分别为48.94 ms和241.92 ms。
• 模型表现出良好的校准性，隐含α值与目标α值高度一致，表明在多样化环境中均能实现可靠的风硏量化。
• 该方法在真实场景中成功捕捉了尾部分布风险，如狭窄通道、碎石区域和湿滑表面，而传统方法常在此类场景中失效或高估风险。