【泡泡点云时空】基于贝叶斯广义核推理的可通行区域建图

标题：Bayesian Generalized Kernel Inference forTerrain Traversability Mapping

作者：Tixiao Shan,，Jinkun Wang，Brendan Englot and Kevin Doherty

来源：CoRL 2018

编译：王志勇

审核：Lionheart

欢迎个人转发朋友圈；其他机构或自媒体如需转载，后台留言申请授权

摘要

    本文提出了一种利用地面车辆收集的稀疏激光雷达扫描数据来建立可通行地图的新方法，该方法利用了概率推论来建立描述性的地形图。由于稀疏内核的发展，贝叶斯广义内核推断被依次应用于与地形高程和可通行性推断的相关问题。第一个推断步骤可以让稀疏数据支持描述性的地形建模，第二个推断步骤减轻了计算可通行性相关联的负担。本文在多个数据和场景测试了该方法的性能，证明该方法可以在现实世界中实现在线运行。

简介

    为了实现无人地面车辆的自主性，已经做出了巨大的努力，一个准确的环境表示方法是实现这种自主性的关键先决条件。二维平面UGV建图方法通常使用占据栅格地图。但是假设周围环境是一个平面，会在许多情况下限制了无人地面车辆的能力。将高度变化区域分为可通行和不可通行的区域地图成为一种在三维环境中实现自主导航的有用工具，因为他可以表示崎岖地形和复杂场景。

    典型的可通行区域分析会在可用的地形模型上得到一组特征。这些特征包括不同方向的地形坡度和粗糙度，而且机器人的运动学参数也是这个分析里面一个重要的因素，因为运动学参数决定了这些特征在可通行判定上的阈值。

    将可通行区域地图应用于现实世界的在线导航依然很困难，因为先验地图并不是经常可用的，而且UGV可能缺少鲁棒导航的强大感知和计算能力。基于雷达的可通行区域建图方法则会遇到稀疏数据的问题，这限制了它们提供足够的覆盖范围来支持自主导航。

    本文提出的贝叶斯广义核推理来解决可通行区域建图问题。本文第一次将BGK高程推断应用于解决地形建图中遇到的稀疏数据问题。然后本文仅对选定位置的高程数据进行可通行性计算，从而减轻了典型的计算负担。通过BGK可通行性推断来估计其他位置的可通行性。这个框架可以使用稀疏激光雷达数据和与小型UGV兼容的硬件来实时建立可通行区域地图。这是贝叶斯广义核推断在可通行性地图上的第一次应用。

实验结果

    本文在仿真和实际环境进行了测试。

图1：结构化环境仿真：上图(a)中是Gazebo中模拟城市环境的俯视图。(b)是可通行区域地图的ground truth。(c)是由基线法生成的可通行区域地图。(d) 是由BGK+Trav方法生成的可通行区域地图。(e)是本文提出的方法生成的可通行区域地图。(f)是计算出来的BGK+方差图。白色颜色表示方差低，洋红色表示方差高。

图2：非结构化环境仿真：空中模拟地形模型如图(a)所示。(b)，(c)，(d)，(e)分别是ground truth，基线法，BGK+Trav，BGK+。(f)是BGK+中的方差图。

表1：不同建图方法的量化结果

图3：使用BGK+生成的大场景城市可通行区域地图：左边的图是卫星照片。中间的图是BGK+方法生成的可通行区域地图。右图是一些代表性场景的结果。

结论

    本文提出将贝叶斯广义核推理用于可通性地形图。本文的框架独特之处在于它的组成，具有两个顺序的步骤。第一个步骤实现了高度推断来解决可用点云的稀疏性，然后第二个步骤实现了可通性推断来减少穷举可通性计算的负担。本文提出的框架已经在模拟数据和真实数据中进行了验证，为激光雷达实时构建地形图提供了效率和准确性。未来的工作将考虑协方差信息的实际使用，以更好地支持复杂环境下的安全导航。

Abstract

 We propose a new approach for traversability mapping with sparse lidar scans collected by ground vehicles, which leverages probabilistic inferenceto build descriptive terrain maps. Enabled by recent developments in sparse kernels, Bayesian generalized kernel inference is applied sequentially to the relatedproblems of terrain elevation and traversability inference. The first inference stepallows sparse data to support descriptive terrain modeling, and the second inference step relieves the burden typically associated with traversability computation.We explore the capabilities of the approach over a variety of data and terrain,demonstrating its suitability for online use in real-world applications.