Autonomous Hiking Trail Navigation Via Semantic Segmentation and Geometric Analysis

Autoren: Camndon Reed, Christopher Tatsch, Jason N. Gross, Yu Gu · IROS 2025

Lizenzen

Open Access
Paper: CC BY 4.0

Alles Folgende stützt sich auf das vollständige Paper unter seiner Lizenz CC BY 4.0; die Abbildung wird mit Nennung der Autoren gezeigt.

Kurz gesagt

Kamerasemantik und LiDAR-Geometrie werden zu einer Befahrbarkeitskarte fusioniert; ein RRT*-Wegpunktplaner hält dann einen Husky-Roboter auf dem Weg, schickt ihn aber abseits des Wegs um Gefahren herum.

Warum es wichtig ist

Die Autoren nennen Überwachung und Instandhaltung von Wegen, geführte Touren, Wildtierbeobachtung, Ökosystembewertung sowie Suche und Rettung als Einsatzgebiete für wegtaugliche Roboter. Die Simulationsreihe macht den zentralen Zielkonflikt deutlich: Mehr semantisches Gewicht hält den Roboter stärker auf dem Weg, was die Autoren mit geringerer Erosion und Störung von Lebensräumen in Verbindung bringen, auf Kosten längerer Routen.

Problem

Wanderwege sind unstrukturiert und verändern sich mit Wetter, Vegetation, Erosion und menschlichem Verkehr, was sie für autonome Bodenfahrzeuge schwierig macht. Rein LiDAR-basierte geometrische Methoden können kleine Gefahren auf dem Weg übersehen oder hohes Gras als Hindernis behandeln, rein kamerabasierte semantische Methoden leiden bei schlechtem Wetter und geringer Sicht, und fusionierte 2,5D-Rasterkarten speichern einen Wert pro Zelle und übersehen überhängende oder mehrstöckige Strukturen. Ein Wegroboter muss außerdem abwägen, ob er auf dem Weg bleibt oder ihn verlässt, um Gefahren zu umgehen oder sichere Abkürzungen zu nehmen.

Lösungsansatz

Ein YOLOv8-Segmentierungsmodell, trainiert auf 1.250 von Hand annotierten Wegbildern (8 Klassen), labelt den RGB-Stream der ZED 2i; die Masken werden auf Punktwolken aus Stereotiefe projiziert, die gefiltert werden (Bereich 0,5–6,0 m, 0,1-m-Voxel, statistische Ausreißerentfernung) und über einen doppelten k-d-Baum mit einer geometrischen LiDAR-Geländeanalyse gepaart werden. Die Kosten jedes Punkts sind C = w·(semantische Kosten) + (1 − w)·(geometrische Kosten), und fusionierte Wolken werden mit Odometrie und ICP in eine globale Befahrbarkeitskarte registriert. Ein globaler RRT*-Planer zieht Kandidaten-Wegpunkte aus der Befahrbarkeitsverteilung statt gleichverteilt und übergibt sie an den lokalen Planer FALCO.

Wichtigste Erkenntnisse

Rein geometrische Befahrbarkeit (w = 0) lieferte die schlechtesten Ergebnisse, und Gewichte unter 0,5 schnitten bei allen drei Metriken (Zeit, Strecke, Anteil der Fahrt auf dem Weg) schlechter ab.
Zwischen w = 0,5 und w = 1 erhöhte mehr semantisches Gewicht den Anteil der Fahrt auf dem Weg, verlängerte aber Fahrzeit und Strecke, ein klarer Zielkonflikt zwischen Wegtreue und Effizienz.
Wird die RRT*-Abtastung durch die Wahrscheinlichkeitsverteilung der Befahrbarkeitskarte gewichtet, wächst der Baum in Richtung befahrbaren Untergrunds statt nach gleichverteilten Zufallsstichproben.
Das Herausfiltern von Punkten oberhalb der Roboterhöhe und außerhalb des zuverlässigen Tiefenbereichs der Stereokamera von 0,5–6,0 m verringert das Rauschen durch falsche Tiefe und dichte Vegetation.

Hauptergebnisse

Das YOLOv8-Segmentierungsmodell erreichte 75,8 % mAP über alle Klassen und 96,7 % mAP für die Klasse Weg.
Simulierter Pfad 1: Der Anteil der Fahrt auf dem Weg stieg von 24,93 % bei w = 0 auf 67,47 % bei w = 1; w = 0,5 ergab die kürzeste Zeit und Strecke (114,14 s, 140,8 m).
Simulierter Pfad 2: Der Anteil auf dem Weg stieg von 18,768 % bei w = 0 auf 64,65 % bei w = 1, aber w = 1 benötigte 193,64 s und 225,1 m gegenüber 108,47 s und 146,2 m bei w = 0,5.
Feldtest auf dem Weg des West Virginia University Core Arboretum mit w = 0,75: Der Roboter erkannte unpassierbare Objekte, wich durch Gras aus und kehrte auf den Weg zurück, sobald ein freier Pfad verfügbar war.

Einschränkungen

Die Autoren fordern einen größeren Segmentierungsdatensatz, um die Genauigkeit bei unterrepräsentierten Klassen zu verbessern, sowie Daten aus anderen Jahreszeiten und von anderen Wegen, um die Generalisierung zu verbessern.
Sie geben an, dass das Gleichgewicht des Wegpunktselektors zwischen Wegtreue und Umwegen abseits des Wegs noch optimiert werden muss.
Die Felddemonstration umfasst einen Wegabschnitt und wird qualitativ berichtet; die Befahrbarkeitskarte wurde während einer teleoperierten Fahrt erstellt, bevor Wegpunkte geplant wurden.
Die semantische Kartierung stützt sich auf Stereotiefe, die die Autoren nur zwischen 0,5 m und 6,0 m als genau betrachten.
Das Fusionsgewicht w ist ein fester, von Hand gesetzter Parameter, der anhand von zwei simulierten Pfaden gewählt wurde (0,75 im Feld).

Wirkung auf das Fachgebiet

Das Paper war Finalist für einen IROS 2025 Award (Programmsitzung TuAT1) und hat 4 Zitierungen. Die Autoren veröffentlichen einen semantisch annotierten Bilddatensatz von Wanderwegen auf IEEE DataPort und eine Gazebo-Simulationsumgebung eines Wanderwegs, die als Benchmark gedacht ist.

Zusammenfassung

Natürliche Umgebungen stellen die autonome Roboternavigation vor erhebliche Herausforderungen, insbesondere aufgrund ihrer unstrukturierten und sich ständig verändernden Natur. Wanderwege mit ihren dynamischen, von Wetter, Vegetation und menschlichem Verkehr beeinflussten Bedingungen stellen eine solche Herausforderung dar. Diese Arbeit stellt einen neuartigen Ansatz für die autonome Navigation auf Wanderwegen vor, der das Einhalten des Wegs mit der Flexibilität abwägt, sich bei Bedarf an Routen abseits des Wegs anzupassen. Die Lösung ist ein Traversability-Analysis-Modul, das semantische Daten aus Kamerabildern mit geometrischen Informationen aus LiDAR integriert, um ein umfassendes Verständnis des umgebenden Geländes zu schaffen. Ein Planer nutzt diese Befahrbarkeitskarte, um sicher zu navigieren, wobei er auf den Wegen bleibt, aber bei Bedarf Bewegungen abseits des Wegs zulässt, um Gefahren auf dem Weg zu vermeiden oder sichere Abkürzungen abseits des Wegs zu nehmen. Die Methode wird in der Simulation evaluiert, um das Gleichgewicht zwischen semantischen und geometrischen Informationen bei der Befahrbarkeitsschätzung zu bestimmen. In diesen Simulationen wurden verschiedene Gewichtungen getestet, um ihren Einfluss auf die Navigationsleistung in unterschiedlichen Wegszenarien zu bewerten. Die Gewichtungen wurden anschließend durch Feldtests im West Virginia University Core Arboretum validiert, die die Wirksamkeit der Methode in einer realen Umgebung zeigen.

Open Source Robotics