《Green Energy and Intelligent Transportation》:One-stage motion planning with probabilistic traversability risk awareness for unmanned ground vehicles in unstructured environments via accelerated model predictive path integral control
编辑推荐:
无人地面车辆在非结构化环境中的自主导航至关重要,特别是在搜救、灾害响应与勘探等关键应用中。然而,动态地形条件与不确定的可通行性给此类场景下的运动规划带来了固有挑战。为解决这些挑战,研究人员提出了一种概率可通行性风险感知的单阶段运动规划框架,集成了三项关键创新:
无人地面车辆在非结构化环境中的自主导航至关重要,特别是在搜救、灾害响应与勘探等关键应用中。然而,动态地形条件与不确定的可通行性给此类场景下的运动规划带来了固有挑战。为解决这些挑战,研究人员提出了一种概率可通行性风险感知的单阶段运动规划框架,集成了三项关键创新:一种增强贝叶斯回归的基于深度学习的感知系统,用以概率评估地形可通行性并量化风险;一种基于熵的风险度量(Entropy-Based Risk Measure, ERM),将概率可通行性估计整合为统一的决策指标以实现鲁棒运动规划;以及一种加速的模型预测路径积分(Model Predictive Path Integral, MPPI)控制策略,通过基于Numba的并行化优化,确保实时获得全局最优且局部可行的轨迹。广泛的BenchNav仿真验证了该框架的优越性能,表现出最高的成功率,同时与传统的双阶段规划器(如A*-DWA)相比减少了4.5%的行驶时间,并与现有单阶段方法(如CL-RRT)相比生成了缩短24.7%的路径。关键在于,在不确定、高风险的非结构化场景中,概率可通行性评估方法被证明比均值估计更具鲁棒性。此外,真实车辆实验验证了该方法在非结构化地形中实时计算可行性与有效的风险感知导航能力。
该研究发表于《Green Energy and Intelligent Transportation》。研究背景在于无人地面车辆(Unmanned Ground Vehicles, UGVs)在非结构化环境如越野地形、灾区及偏远地区自主导航面临动态地形与不确定可通行性的挑战。传统双阶段方法将路径规划与跟踪分离导致效率低且失败风险高,现有单阶段方法往往侧重可行性而非最优性。为此,研究人员开展了一种集成深度学习感知、贝叶斯回归风险量化、基于熵的风险度量(Entropy-Based Risk Measure, ERM)与加速模型预测路径积分(Model Predictive Path Integral, MPPI)控制的单阶段运动规划框架研究,旨在解决非结构化环境下兼顾全局最优与局部可行性的实时风险感知导航问题,结论表明该框架在仿真与实车实验中均优于传统方法且具有高实时性与鲁棒性。
作者为开展研究用到的主要关键技术方法包括:采用UNet与Fast-SCNN架构进行像素级地形语义分割;利用贝叶斯回归(Bayesian Regression)建模坡度与可通行性风险的概率分布以获取均值与方差;引入基于熵的风险度量(ERM)聚合概率风险估计,通过风险厌恶参数λ调节安全与效率权衡;基于Numba库对模型预测路径积分(MPPI)控制进行即时编译与并行化加速,实现大规模轨迹采样的实时优化;在仿真平台BenchNav及北京理工大学中央公园真实场景中使用AGILE SCOUT 2.0无人车平台验证,实车数据来源于公开数据集及自建草地与沥青地形观测数据。
研究结果如下:
- 1.
Introduction
研究人员指出非结构化环境中UGVs面临打滑等风险,传统双阶段方法存在解耦导致的次优问题,单阶段方法中基于学习的方法受限于数据与仿真器,非学习方法缺乏最优性。由此引出本文提出融合概率风险感知与加速MPPI的单阶段框架的动机。
- 2.
Related work
研究人员回顾了可通行性表征(几何与语义分割)、概率风险评估(VaR、CVaR、ERM)及运动规划(A*-DWA、CL-RRT、强化学习等)的现状,指出现有可通行性评估多为点估计忽视不确定性,ERM在捕捉全风险分布上具有优势,单阶段非学习方法需兼顾可行与优化。
- 3.
Probabilistic risk-aware motion planning
问题建模采用离散时间系统与非完整单自行车模型,状态转移受控制输入与随地形变化的可通行性参数ψt(∈[0,1])影响,ψ与风险r满足r=1?ψ。目标函数为最小化含终端与阶段成本的代价,MPPI目标隐含时间最优与风险感知的统一。框架流程为图像输入经深度学习分割、贝叶斯回归输出概率风险(均值μ与方差σ2),ERM量化为综合风险图,Numba加速MPPI输出线速度与角速度控制序列。
3.3. Terrain-dependent probabilistic traversability risk estimation
仿真用UNet、实车用Fast-SCNN分割地形类别并输出softmax概率;贝叶斯线性回归以坡度?为特征预测风险分布p(r|?)=N(μ(?), σ2(?)),权重后验服从高斯分布;整体像素风险由各类别风险按分割概率加权聚合,总不确定性含类内与类间方差。
3.4. Risk quantification based on ERM
ERM定义为ρ(X)=λ?1lnE[exp(λX)],λ>0为风险厌恶参数。相比均值、最坏情况、条件风险价值(Conditional Value-at-Risk, CVaR),ERM通过λ调和极端风险与高概率安全区域,低λ偏风险中性,高λ偏风险厌恶,适应不同任务需求。
3.5. Parallelization of MPPI Using Numba library
MPPI采样扰动控制序列ui=u0+σ?i,滚转轨迹算代价J(ui),以wi=exp(?J(ui)/τ)加权求最优控制。Numba通过JIT编译与GPU并行加速采样与代价计算,实车中实现世界坐标到图像像素的并行投影模块以支持单目相机感知。
- 4.
Simulation Validation
在BenchNav中UNet的mIoU达98.97%,风险均值与标准差预测误差为9.23%与1.98%,贝叶斯回归置信区间覆盖真实风险。ERM中λ增大使风险图偏红(评估更保守),λ=1时路径长20.91m,λ=40时路径长26.47m。与A*-DWA、CL-RRT比,本方法路径长34.00m、时间52.6s、成功率100%,CL-RRT路径长45.25m、时间89.4s、成功率40%。在高风险地形占比φ=80%时,ERM(λ=40)成功率100%,均值估计仅10%。
- 5.
Real-vehicle Validation
实车环境为草地与沥青,基于公开数据集算得沥青x轴均值0.9688、草地0.9148,草地标准差更大。Fast-SCNN的mIoU为91.1%。通过相机内参K将世界坐标(x,y)投影至图像像素(up,vp)获取风险值。AGILE SCOUT 2.0平台搭载AMD Ryzen 7 5800H与NVIDIA RTX3060,MPPI初始化<30ms、每步≈2ms,Fast-SCNN≈30ms,风险评价<1ms,总感知到控制<33ms。启用风险模块后车辆在U形弯选择更长但安全的沥青路而非短风险草地。
- 6.
Conclusion
研究人员总结框架三大创新:概率可通行性风险表示、ERM引入量化、加速MPPI单阶段规划器。仿真与实车证实时效与鲁棒性,概率评估优于均值估计。局限为实车仅两类地形与平坦假设,未来拟加入坡度传感器与改进投影模型及不确定性感知感知网络。
讨论部分总结:研究人员指出当前实车验证在地形多样性与坡度恒定假设上的不足,计划在后续研究中引入实时姿态数据与更复杂三维地形映射,并探索极端光照与噪声下的不确定性感知网络与记忆引导策略以维持感知退化时的稳定导航。结论部分译文为:总之,本文介绍了一种新颖的运动规划框架,具有三项关键创新:(1)可通行性风险的概率表示,实现对地形复杂性的更细致评估;(2)将基于熵的风险度量(ERM)引入可通行性量化,将概率可通行性信息整合为风险评价的综合指标;(3)基于加速MPPI方法的优化单阶段运动规划器,在确保计算效率的同时实现全局最优与局部可行的平衡。使用BenchNav的仿真显示了所提方法在生成短、高效与风险厌恶路径方面的有效性,优于传统单阶段与双阶段算法。最显著的是,概率可通行性评估在传统均值估计之上展现了优越的鲁棒性,尤其在导航不确定与高风险非结构化环境时。此外,真实世界UGVs验证确认了该方法的计算效率与实时可行性,通过Numba库加速的优化MPPI实现达成。