[论文解读] STEP: Stochastic Traversability Evaluation and Planning for Risk-Aware Off-road Navigation

David D. Fan, Kyohei Otsu+4 more|arXiv (Cornell University)|Mar 4, 2021

Robotic Path Planning Algorithms参考文献 34被引用 11

一句话总结

本文提出STEP，一种面向未知、非结构化环境的自主非公路导航风险感知运动规划框架。该方法结合使用2.5D地图的不确定性感知可通行性评估与条件风险价值（CVaR），在不确定性下优先考虑安全性，通过基于SQP的模型预测控制（MPC）实现实时、动力学可行的轨迹规划。该方法使轮式与腿式机器人能够在如废弃地铁和熔岩洞穴等极端地形中实现高速、安全导航。

ABSTRACT

Although ground robotic autonomy has gained widespread usage in structured and controlled environments, autonomy in unknown and off-road terrain remains a difficult problem. Extreme, off-road, and unstructured environments such as undeveloped wilderness, caves, and rubble pose unique and challenging problems for autonomous navigation. To tackle these problems we propose an approach for assessing traversability and planning a safe, feasible, and fast trajectory in real-time. Our approach, which we name STEP (Stochastic Traversability Evaluation and Planning), relies on: 1) rapid uncertainty-aware mapping and traversability evaluation, 2) tail risk assessment using the Conditional Value-at-Risk (CVaR), and 3) efficient risk and constraint-aware kinodynamic motion planning using sequential quadratic programming-based (SQP) model predictive control (MPC). We analyze our method in simulation and validate its efficacy on wheeled and legged robotic platforms exploring extreme terrains including an abandoned subway and an underground lava tube.

研究动机与目标

• 解决在未知、非结构化且危险的非公路环境（如废墟、洞穴和地下隧道）中实现安全、高速自主导航的挑战。
• 改进传统确定性可通行性方法，这些方法未能考虑不确定性与尾部风险，导致轨迹不稳定或不安全。
• 开发一种实时、风险感知的运动规划系统，可动态适应传感器噪声、定位误差与环境遮挡。
• 在非凸约束与不确定地形评估下，实现鲁棒的动力学可行轨迹规划。
• 在真实世界极端环境中，于多种机器人平台（轮式与腿式）上验证该框架。

提出的方法

• 通过融合LiDAR与IMU数据构建不确定性感知的2.5D可通行性地图，同时建模定位误差、传感器噪声与遮挡效应。
• 使用复合度量量化可通行性成本，综合地形坡度、粗糙度、障碍物接近度与未知区域，各项按其风险贡献加权。
• 应用条件风险价值（CVaR）评估尾部风险，最小化超过可配置置信阈值α的最坏结果的期望成本。
• 采用基于序列二次规划（SQP）的模型预测控制（MPC）框架，实时求解非凸、风险约束的最优控制问题。
• 采用滚动时域方法，以高频动态重规划，实现实时响应新传感器数据与环境变化。
• 将系统集成于机器人本体，实现实时计算，CPU使用率低（单核i7），规划周期小于一秒。

实验结果

研究问题

• RQ1 如何在未知非公路环境中评估可通行性，以同时考虑传感器噪声、定位误差与遮挡？
• RQ2 相较于基于均值成本最小化的规划方法，在高不确定性地形中，基于CVaR的风险评估能在多大程度上提升轨迹安全性？
• RQ3 风险感知、动力学可行的MPC框架是否能实现在轮式与腿式机器人在极端环境中的实时、高速导航？
• RQ4 不确定性感知的可通行性地图在动态、杂乱且部分可观测地形中，如何影响运动规划的鲁棒性与稳定性？
• RQ5 在真实非公路场景中，风险容忍度（α）与导航效率之间存在何种性能权衡？

主要发现

• 该系统成功使Clearpath Husky机器人在200米×100米的废弃地铁环境中自主探索，工业废墟遍布，24分钟内完成全区域覆盖。
• 在同一环境中，风险地图随α值动态调整：更高的α值（如0.9）显著提高狭窄通道与未知区域的成本，生成更安全、更保守的路径。
• Boston Dynamics Spot四足机器人在Valentine Cave中行进420米，耗时24分钟，完全探索了1,205平方米的崎岖、不平且遮挡严重的地形。
• 与确定性方法相比，基于CVaR的规划器显著减少了振荡与不稳定性，后者常因传感器噪声与定位漂移而频繁重规划。
• 系统实现实时性能，CPU使用率限制在单核i7上，支持适用于动态环境的高频率重规划。
• 风险地图有效识别了如陡坡、巨石与粗糙地面等危险区域，白色（安全）、黄色/红色（中等风险）与黑色（高风险）区域清晰标识风险等级。