Autonomous Hiking Trail Navigation Via Semantic Segmentation and Geometric Analysis

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

Licences

• Accès libre
• Article: CC BY 4.0

Tout ce qui suit s'appuie sur l'article complet sous sa licence CC BY 4.0 ; sa figure est montrée en citant les auteurs.

En bref

La sémantique de la caméra et la géométrie du LiDAR sont fusionnées en une seule carte de traversabilité ; un planificateur de points de passage RRT* maintient ensuite un robot Husky sur le sentier, mais l'envoie hors sentier pour contourner les dangers.

Pourquoi c'est important

Les auteurs citent la surveillance et l'entretien des sentiers, les visites guidées, le suivi de la faune, l'évaluation des écosystèmes ainsi que la recherche et le sauvetage comme usages des robots capables de parcourir des sentiers. Le balayage en simulation rend explicite le compromis principal : davantage de poids sémantique maintient plus souvent le robot sur le sentier, ce que les auteurs associent à une érosion et à une perturbation des habitats moindres, au prix d'itinéraires plus longs.

Problème

Les sentiers de randonnée sont non structurés et changent avec la météo, la végétation, l'érosion et la fréquentation humaine, ce qui les rend difficiles pour les véhicules terrestres autonomes. Les méthodes géométriques fondées uniquement sur le LiDAR peuvent manquer de petits dangers sur le sentier ou traiter les herbes hautes comme un obstacle, les méthodes sémantiques fondées uniquement sur la caméra souffrent par mauvais temps et faible visibilité, et les cartes en grille fusionnées 2,5D stockent une valeur par cellule et manquent les structures en surplomb ou à plusieurs niveaux. Un robot de sentier doit aussi arbitrer entre rester sur le sentier et le quitter pour éviter des dangers ou prendre des raccourcis sûrs.

Solution proposée

Un modèle de segmentation YOLOv8 entraîné sur 1 250 images de sentiers annotées à la main (8 classes) étiquette le flux RGB de la ZED 2i ; les masques sont projetés sur des nuages de points issus de la profondeur stéréo, qui sont filtrés (plage de 0,5–6,0 m, voxels de 0,1 m, suppression statistique des valeurs aberrantes) et appariés par double arbre k-d avec une analyse géométrique du terrain par LiDAR. Le coût de chaque point est C = w·(coût sémantique) + (1 − w)·(coût géométrique), et les nuages fusionnés sont recalés dans une carte de traversabilité globale à l'aide de l'odométrie et d'ICP. Un planificateur global RRT* échantillonne les points de passage candidats selon la distribution de traversabilité plutôt que de manière uniforme et les transmet au planificateur local FALCO.

Idées clés

• La traversabilité purement géométrique (w = 0) a donné les pires résultats, et les poids inférieurs à 0,5 ont obtenu de moins bons résultats sur les trois métriques (temps, distance, part de conduite sur le sentier).
• Entre w = 0,5 et w = 1, davantage de poids sémantique a augmenté la part de conduite sur le sentier mais allongé le temps et la distance de parcours, un net compromis entre respect du sentier et efficacité.
• Biaiser l'échantillonnage de RRT* selon la distribution de probabilité de la carte de traversabilité oriente la croissance de l'arbre vers un sol praticable plutôt que vers des échantillons aléatoires uniformes.
• Éliminer les points situés au-dessus de la hauteur du robot et hors de la plage de profondeur fiable de 0,5–6,0 m de la caméra stéréo réduit le bruit dû aux fausses profondeurs et à la végétation dense.

Principaux résultats

• Le modèle de segmentation YOLOv8 a atteint 75,8 % de mAP sur l'ensemble des classes et 96,7 % de mAP sur la classe sentier.
• Chemin simulé 1 : la part de conduite sur le sentier est passée de 24,93 % à w = 0 à 67,47 % à w = 1 ; w = 0,5 a donné le temps et la distance les plus courts (114,14 s, 140,8 m).
• Chemin simulé 2 : la part sur le sentier est passée de 18,768 % à w = 0 à 64,65 % à w = 1, mais w = 1 a pris 193,64 s et 225,1 m contre 108,47 s et 146,2 m à w = 0,5.
• Essai sur le terrain sur le sentier du West Virginia University Core Arboretum avec w = 0,75 : le robot a identifié des objets infranchissables, a fait un détour par l'herbe et est revenu sur le sentier dès qu'un chemin dégagé était disponible.

Limites

• Les auteurs appellent à un jeu de données de segmentation plus grand pour améliorer la précision sur les classes sous-représentées, et à des données d'autres saisons et d'autres sentiers pour améliorer la généralisation.
• Ils indiquent que l'équilibre du sélecteur de points de passage entre respect du sentier et détours hors sentier doit encore être optimisé.
• La démonstration sur le terrain couvre une seule section de sentier et est rapportée de manière qualitative ; la carte de traversabilité a été construite lors d'un passage téléopéré avant la planification des points de passage.
• La cartographie sémantique repose sur une profondeur stéréo que les auteurs ne considèrent comme précise qu'entre 0,5 m et 6,0 m.
• Le poids de fusion w est un paramètre fixe, réglé à la main, choisi à partir de deux chemins simulés (0,75 sur le terrain).

Impact sur le domaine

L'article a été finaliste d'un prix à IROS 2025 (session du programme TuAT1) et compte 4 citations. Les auteurs publient un jeu de données d'images de sentiers de randonnée annotées sémantiquement sur IEEE DataPort et un environnement de simulation de sentier de randonnée sous Gazebo destiné à servir de benchmark.

Résumé

Les environnements naturels posent des défis importants à la navigation autonome des robots, en particulier en raison de leur nature non structurée et en perpétuel changement. Les sentiers de randonnée, avec leurs conditions dynamiques influencées par la météo, la végétation et la fréquentation humaine, représentent l'un de ces défis. Ce travail présente une nouvelle approche de la navigation autonome sur sentiers de randonnée qui équilibre le respect du sentier avec la flexibilité de s'adapter à des itinéraires hors sentier lorsque c'est nécessaire. La solution est un module de Traversability Analysis qui intègre les données sémantiques des images de caméra aux informations géométriques du LiDAR pour créer une compréhension globale du terrain environnant. Un planificateur utilise cette carte de traversabilité pour naviguer en toute sécurité, en suivant les sentiers tout en autorisant des déplacements hors sentier lorsque c'est nécessaire pour éviter des dangers sur le sentier ou pour emprunter des raccourcis sûrs hors sentier. La méthode est évaluée en simulation afin de déterminer l'équilibre entre informations sémantiques et géométriques dans l'estimation de la traversabilité. Ces simulations ont testé différents poids pour évaluer leur effet sur les performances de navigation dans différents scénarios de sentiers. Les poids ont ensuite été validés par des essais sur le terrain au West Virginia University Core Arboretum, démontrant l'efficacité de la méthode dans un environnement réel.

Liens

• 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