[论文解读] Mobility Map Computations for Autonomous Navigation using an RGBD Sensor

Nicolò Genesio, Tariq Abuhashim+3 more|arXiv (Cornell University)|Oct 5, 2016

Robotics and Sensor-Based Localization参考文献 13被引用 4

一句话总结

本文提出了一种基于iCub人形机器人上RGBD传感器的实时移动性地图计算流水线，用于自主导航。通过结合点云处理、表面属性估计（坡度、粗糙度）以及基于高斯过程回归的可行驶性成本函数学习，系统将可行驶区域分类为0（红色，不可行驶）到1（绿色，完全可行驶）的评分，处理速率达到2 Hz，适用于室内环境中的步态规划。

ABSTRACT

In recent years, the numbers of life-size humanoids as well as their mobile capabilities have steadily grown. Stable walking motion and control for humanoid robots are active fields of research. In this scenario an open question is how to model and analyse the scene so that a motion planning algorithm can generate an appropriate walking pattern. This paper presents the current work towards scene modelling and understanding, using an RGBD sensor. The main objective is to provide the humanoid robot iCub with capabilities to navigate safely and interact with various parts of the environment. In this sense we address the problem of traversability analysis of the scene, focusing on classification of point clouds as a function of mobility, and hence walking safety.

研究动机与目标

• 通过使用3D深度数据分析场景可行驶性，使iCub人形机器人能够在室内环境中自主导航。
• 开发一种实时流水线，根据几何和纹理属性（如坡度、粗糙度和尺寸）将表面分类为可行驶或不可行驶。
• 生成具有连续评分（0–1）的移动性地图，以指示行走安全性，从而实现安全的步态规划。
• 通过数据缩减和去噪降低计算成本，同时保持精度以支持动态导航。
• 在存在障碍物的室内场景中验证系统性能，使用RGBD传感器数据和图像投影进行可视化与验证。

提出的方法

• 系统使用Asus Xtion Pro Live RGBD传感器以30 fps的帧率获取640×480的深度图，每帧包含超过30万个点。
• 通过将点云下采样为1cm×1cm×1cm的体素并过滤掉1.5–2米以外的点，实现数据缩减，以减少噪声和计算负载。
• 应用去噪处理以减轻红外干扰和三角测量误差带来的传感器噪声。
• 基于缩减后的点云，使用k-最近邻（k-NN）方法估计法向量，k=10。
• 采用混合RGB-N（颜色与法向量基础）的分割方法对表面区域进行分类，随后基于最大平面段假设执行地面去除。
• 对每个分割区域估计坡度和粗糙度等表面属性，并通过基于经验规则的高斯过程回归（GPR）学习移动性成本函数。

实验结果

研究问题

• RQ1 能否从RGBD传感器数据中实时计算出移动性地图，以对人形机器人的可行驶与不可行驶区域进行分类？
• RQ2 几何特征（坡度、粗糙度）与颜色信息的结合在表面分割与分类中对安全导航的有效性如何？
• RQ3 基于GPR的可行驶性成本函数是否能相比启发式规则更准确地估计可行驶性？
• RQ4 该流水线在帧率方面的计算性能如何？是否适用于实时步态规划？
• RQ5 在复杂室内环境中（含障碍物），系统性能如何？是否可通过图像投影与3D可视化进行验证？

主要发现

• 系统处理速率达到2 Hz，每帧点云的总流水线延迟为486.049 ms，适用于实时步态规划。
• 移动性地图生成流水线包括：去噪（68.133 ms）、数据缩减（39.873 ms）、法向量估计（144.766 ms）、地面去除（31.482 ms）和表面属性估计（175.303 ms）。
• 高斯过程回归（GPR）模型成功从经验规则中学习了移动性成本函数，实现了从0到1的平滑连续可行驶性评分。
• 该方法在无障碍物和障碍物丰富的室内环境中均能有效分割和分类表面，结果通过RGB图像投影可视化，显示绿色（可行驶）和红色（不可行驶）区域。
• 系统在室内环境中表现出强健性能，地面去除和分割的准确性通过3D点云可视化和图像对齐的移动性地图得到验证。
• 该流水线使用C++实现，并在GitHub上公开，支持可复现性与进一步开发。