Autonomous Hiking Trail Navigation Via Semantic Segmentation and Geometric Analysis

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

Licencias

• Acceso abierto
• Artículo: CC BY 4.0

Todo lo que sigue se basa en el artículo completo bajo su licencia CC BY 4.0; su figura se muestra con crédito a los autores.

En resumen

La semántica de la cámara y la geometría del LiDAR se fusionan en un único mapa de transitabilidad; después, un planificador de puntos de paso RRT* mantiene a un robot Husky en el sendero, pero lo saca de él para rodear los peligros.

Por qué importa

Los autores mencionan la vigilancia y el mantenimiento de senderos, las visitas guiadas, el seguimiento de la fauna, la evaluación de ecosistemas y la búsqueda y rescate como usos de los robots capaces de recorrer senderos. El barrido en simulación hace explícito el compromiso clave: más peso semántico mantiene más al robot en el sendero, lo que los autores relacionan con una menor erosión y perturbación del hábitat, a costa de rutas más largas.

Problema

Los senderos de montaña no están estructurados y cambian con el clima, la vegetación, la erosión y el tránsito de personas, lo que los hace difíciles para los vehículos terrestres autónomos. Los métodos geométricos solo con LiDAR pueden pasar por alto pequeños peligros del sendero o tratar la hierba alta como un obstáculo, los métodos semánticos solo con cámara sufren con mal tiempo y poca visibilidad, y los mapas de rejilla fusionados 2,5D almacenan un valor por celda y pasan por alto las estructuras salientes o de varios niveles. Un robot de senderos también tiene que equilibrar mantenerse en el sendero frente a abandonarlo para evitar peligros o tomar atajos seguros.

Solución propuesta

Un modelo de segmentación YOLOv8 entrenado con 1250 imágenes de senderos etiquetadas a mano (8 clases) etiqueta el flujo RGB de la ZED 2i; las máscaras se proyectan sobre nubes de puntos de profundidad estéreo, que se filtran (rango de 0,5–6,0 m, vóxeles de 0,1 m, eliminación estadística de valores atípicos) y se emparejan mediante un doble árbol k-d con un análisis geométrico del terreno por LiDAR. El coste de cada punto es C = w·(coste semántico) + (1 − w)·(coste geométrico), y las nubes fusionadas se registran en un mapa de transitabilidad global con odometría e ICP. Un planificador global RRT* muestrea puntos de paso candidatos a partir de la distribución de transitabilidad en lugar de hacerlo de forma uniforme y se los pasa al planificador local FALCO.

Ideas clave

• La transitabilidad solo geométrica (w = 0) dio los peores resultados, y los pesos por debajo de 0,5 rindieron peor en las tres métricas (tiempo, distancia, proporción de conducción por el sendero).
• Entre w = 0,5 y w = 1, más peso semántico aumentó la proporción de conducción por el sendero, pero alargó el tiempo y la distancia del recorrido, un claro compromiso entre adherencia y eficiencia.
• Sesgar el muestreo de RRT* con la distribución de probabilidad del mapa de transitabilidad dirige el crecimiento del árbol hacia terreno transitable en lugar de usar muestras aleatorias uniformes.
• Descartar los puntos por encima de la altura del robot y fuera del rango de profundidad fiable de 0,5–6,0 m de la cámara estéreo reduce el ruido de las profundidades falsas y de la vegetación densa.

Resultados principales

• El modelo de segmentación YOLOv8 alcanzó un 75,8 % de mAP en todas las clases y un 96,7 % de mAP en la clase sendero.
• Trayecto simulado 1: la proporción de conducción por el sendero subió del 24,93 % con w = 0 al 67,47 % con w = 1; w = 0,5 dio el menor tiempo y la menor distancia (114,14 s, 140,8 m).
• Trayecto simulado 2: la proporción por el sendero subió del 18,768 % con w = 0 al 64,65 % con w = 1, pero w = 1 tardó 193,64 s y recorrió 225,1 m frente a 108,47 s y 146,2 m con w = 0,5.
• Prueba de campo en el sendero del West Virginia University Core Arboretum con w = 0,75: el robot identificó objetos infranqueables, se desvió por la hierba y volvió al sendero en cuanto hubo un camino despejado.

Limitaciones

• Los autores piden un conjunto de datos de segmentación más grande para mejorar la precisión en las clases poco representadas, y datos de otras estaciones y senderos para mejorar la generalización.
• Afirman que el equilibrio del selector de puntos de paso entre la adherencia al sendero y los desvíos fuera de él todavía necesita optimizarse.
• La demostración de campo abarca un tramo de sendero y se presenta de forma cualitativa; el mapa de transitabilidad se construyó durante una pasada teleoperada antes de planificar los puntos de paso.
• El mapeo semántico depende de una profundidad estéreo que los autores consideran precisa solo entre 0,5 m y 6,0 m.
• El peso de fusión w es un parámetro fijo, ajustado a mano y elegido a partir de dos trayectos simulados (0,75 en el campo).

Impacto en el campo

El artículo fue finalista de un premio de IROS 2025 (sesión del programa TuAT1) y tiene 4 citas. Los autores publican un conjunto de datos de imágenes de senderos de montaña con etiquetas semánticas en IEEE DataPort y un entorno de simulación de senderos en Gazebo pensado como benchmark.

Resumen

Los entornos naturales plantean retos importantes para la navegación autónoma de robots, sobre todo por su naturaleza no estructurada y siempre cambiante. Los senderos de montaña, con condiciones dinámicas influidas por el clima, la vegetación y el tránsito de personas, representan uno de esos retos. Este trabajo presenta un enfoque novedoso para la navegación autónoma por senderos de montaña que equilibra la adherencia al sendero con la flexibilidad de adaptarse a rutas fuera del sendero cuando sea necesario. La solución es un módulo de Traversability Analysis que integra datos semánticos de las imágenes de cámara con información geométrica del LiDAR para crear una comprensión completa del terreno circundante. Un planificador usa este mapa de transitabilidad para navegar con seguridad, ciñéndose a los senderos pero permitiendo el movimiento fuera de ellos cuando es necesario para evitar peligros en el sendero o para tomar atajos seguros fuera del sendero. El método se evalúa mediante simulación para determinar el equilibrio entre la información semántica y la geométrica en la estimación de la transitabilidad. Estas simulaciones probaron varios pesos para evaluar su impacto en el rendimiento de la navegación en distintos escenarios de sendero. Después, los pesos se validaron mediante pruebas de campo en el West Virginia University Core Arboretum, lo que demostró la eficacia del método en un entorno real.

Enlaces

• arXiv 2409.15671: https://arxiv.org/abs/2409.15671
• DOI 10.1109/IROS60139.2025.11245853: https://doi.org/10.1109/IROS60139.2025.11245853
• PDF: https://arxiv.org/pdf/2409.15671v1