Terrain Traversability

Auch genannt: traversability estimation, traversability analysis, traversability mapping
Kategorie: State estimation & navigation › Navigation
Schlagwörter: navigation, field-robotics, perception, terrain-mapping, off-road

Eine Schätzung, ob und wie leicht ein Bodenroboter über ein Stück Gelände fahren oder gehen kann, basierend auf dessen Geometrie, Material und den eigenen Fähigkeiten des Roboters.

Definition

Geländebefahrbarkeit (Terrain Traversability) beschreibt, wie passierbar ein Geländebereich für einen bestimmten Roboter ist. Sie wird meist als Karte dargestellt, oft als 2,5D-Gitter um den Roboter, in dem jede Zelle entweder ein binäres Label (befahrbar oder nicht) oder kontinuierliche Kosten bzw. eine Bewertung enthält, die ein Planer verwenden kann. Befahrbarkeit ist immer relativ zur Plattform: Ein Bordstein, der einen fahrenden Lieferroboter aufhält, kann für einen Vierbeiner leicht sein, und hohes Gras, das für ein LiDAR wie eine Wand aussieht, kann beim Durchfahren harmlos sein.

Klassische Ansätze schätzen die Befahrbarkeit aus der Geometrie. Mit einem LiDAR oder einer Tiefenkamera baut der Roboter eine Höhenkarte auf und berechnet Merkmale wie Neigung, Stufenhöhe, Rauheit und das Vorhandensein von Lücken, die er dann mit den Grenzen der Plattform vergleicht. Das funktioniert gut auf festem Gelände, hat aber Mühe mit Vegetation, Schlamm, Schnee und Wasser, wo die Geometrie allein irreführt.

Semantische Ansätze fügen das Erscheinungsbild hinzu. Kamerabilder werden mit semantischer Segmentierung verarbeitet, um Geländeklassen wie Weg, Gras, Kies, Fels oder Wasser zu kennzeichnen, und jeder Klasse werden Kosten zugewiesen. Viele Systeme kombinieren beides und fusionieren semantische Labels und geometrische Merkmale in derselben Karte.

Lernbasierte Ansätze schätzen die Befahrbarkeit direkt aus Daten, manchmal mit der eigenen Erfahrung des Roboters als Überwachung: Gelände, das der Roboter durchquert hat, wird zusammen mit dem dort gemessenen Schlupf, den Vibrationen oder dem Aufwand zu einem Trainingslabel. Dies wird oft selbstüberwachtes Lernen der Befahrbarkeit genannt. In allen Fällen speist die Ausgabe eine Kostenkarte oder einen lokalen Planer, der entscheidet, wohin der Roboter fahren soll.

Warum es wichtig ist

Außen- und Feldroboter scheitern am häufigsten, indem sie in Gelände fahren, das sie nicht bewältigen können, oder indem sie Gelände meiden, das sie hätten durchqueren können. Eine gute Befahrbarkeitsschätzung lässt einen Roboter effizient vorankommen und hält ihn zugleich von Stellen fern, an denen er umkippen, rutschen oder stecken bleiben würde.

Wichtige Anwendungen

Autonomes Fahren im Gelände und Feldrobotik
Navigation von Laufrobotern über raues und natürliches Gelände
Agrarroboter, die zwischen Pflanzreihen und über unebene Felder fahren
Navigation von Planetenrovern
Navigation auf Wegen und in Parks für Serviceroboter im Freien

In der Praxis

Ein typischer Navigationsstack für den Außenbereich fusioniert LiDAR-Punkte zu einer roboterzentrierten Höhenkarte (zum Beispiel mit den mit ROS verwendeten Open-Source-Paketen elevation_mapping und grid_map), berechnet Neigungs- und Stufenmerkmale für jede Zelle und legt semantische Labels darüber, die aus einem Kamera-Segmentierungsnetz projiziert werden. Diese werden zu einer Kostenschicht kombiniert, die ein globaler oder lokaler Planer zur Pfadwahl verwendet. Teams legen die Schwellenwerte anhand der Bodenfreiheit, der Rad- oder Beingeometrie und der Stabilitätsreserven ihrer Plattform fest und validieren sie, indem sie den Roboter über repräsentatives Gelände wie Hänge, Bordsteine und Vegetation fahren oder gehen lassen, bevor sie der Karte im Feld vertrauen.

Häufige Missverständnisse

Befahrbarkeit ist eine Eigenschaft allein des Geländes — sie hängt von Größe, Bodenfreiheit, Fortbewegungsart und Stabilitätsgrenzen des Roboters ab
Hinderniserkennung reicht aus — der Boden kann frei von Hindernissen und dennoch wegen Neigung, Weichheit oder Schlupf unpassierbar sein
Hohe Vegetation ist immer ein Hindernis — geometrische Sensoren sehen Gras als fest, daher sind semantische oder gelernte Hinweise nötig, um es als passierbar zu erkennen

Wer das wissen sollte

Ingenieure für Feld- und Geländerobotik
Entwickler für die Navigation von Laufrobotern
Teams in der Agrarrobotik
Perception-Ingenieure, die an semantischer Segmentierung für die Navigation arbeiten

Open Source Robotics