Autonomous Hiking Trail Navigation Via Semantic Segmentation and Geometric Analysis

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

Licenze

• Open access
• Articolo: CC BY 4.0

Tutto ciò che segue si basa sull'articolo completo secondo la sua licenza CC BY 4.0; la figura è riportata citando gli autori.

In breve

La semantica della telecamera e la geometria del LiDAR sono fuse in un'unica mappa di attraversabilità; un pianificatore di waypoint RRT* mantiene poi un robot Husky sul sentiero, ma lo porta fuori sentiero per aggirare i pericoli.

Perché è importante

Gli autori elencano il monitoraggio e la manutenzione dei sentieri, le visite guidate, il tracciamento della fauna selvatica, la valutazione degli ecosistemi e la ricerca e soccorso come usi per i robot in grado di percorrere sentieri. La scansione in simulazione rende esplicito il compromesso chiave: un peso semantico maggiore tiene il robot più a lungo sul sentiero, cosa che gli autori collegano a minore erosione e disturbo degli habitat, al costo di percorsi più lunghi.

Problema

I sentieri escursionistici non sono strutturati e cambiano con il meteo, la vegetazione, l'erosione e il passaggio delle persone, il che li rende difficili per i veicoli terrestri autonomi. I metodi geometrici basati solo sul LiDAR possono non vedere piccoli pericoli sul sentiero o trattare l'erba alta come un ostacolo, i metodi semantici basati solo sulla telecamera soffrono con il maltempo e la scarsa visibilità, e le mappe a griglia fuse 2,5D memorizzano un valore per cella e perdono le strutture sporgenti o a più livelli. Un robot da sentiero deve anche bilanciare il restare sul sentiero con l'abbandonarlo per evitare pericoli o prendere scorciatoie sicure.

Soluzione proposta

Un modello di segmentazione YOLOv8 addestrato su 1.250 immagini di sentieri etichettate a mano (8 classi) etichetta il flusso RGB della ZED 2i; le maschere sono proiettate su nuvole di punti di profondità stereo, che vengono filtrate (intervallo 0,5–6,0 m, voxel da 0,1 m, rimozione statistica degli outlier) e abbinate tramite un doppio albero k-d a un'analisi geometrica del terreno tramite LiDAR. Il costo di ogni punto è C = w·(costo semantico) + (1 − w)·(costo geometrico), e le nuvole fuse sono registrate in una mappa di attraversabilità globale con odometria e ICP. Un pianificatore globale RRT* campiona i waypoint candidati dalla distribuzione di attraversabilità invece che in modo uniforme e li passa al pianificatore locale FALCO.

Idee chiave

• L'attraversabilità solo geometrica (w = 0) ha dato i risultati peggiori, e i pesi inferiori a 0,5 hanno reso peggio su tutte e tre le metriche (tempo, distanza, quota di guida sul sentiero).
• Tra w = 0,5 e w = 1, un peso semantico maggiore ha aumentato la quota di guida sul sentiero ma ha allungato tempo e distanza di percorrenza, un chiaro compromesso tra aderenza ed efficienza.
• Orientare il campionamento di RRT* con la distribuzione di probabilità della mappa di attraversabilità indirizza la crescita dell'albero verso terreno attraversabile invece che verso campioni casuali uniformi.
• Scartare i punti sopra l'altezza del robot e fuori dall'intervallo di profondità affidabile di 0,5–6,0 m della telecamera stereo riduce il rumore dovuto a false profondità e vegetazione fitta.

Risultati principali

• Il modello di segmentazione YOLOv8 ha raggiunto il 75,8 % di mAP su tutte le classi e il 96,7 % di mAP sulla classe sentiero.
• Percorso simulato 1: la quota di guida sul sentiero è salita dal 24,93 % con w = 0 al 67,47 % con w = 1; w = 0,5 ha dato il tempo e la distanza minimi (114,14 s, 140,8 m).
• Percorso simulato 2: la quota sul sentiero è salita dal 18,768 % con w = 0 al 64,65 % con w = 1, ma w = 1 ha richiesto 193,64 s e 225,1 m contro 108,47 s e 146,2 m con w = 0,5.
• Prova sul campo sul sentiero del West Virginia University Core Arboretum con w = 0,75: il robot ha individuato oggetti invalicabili, ha deviato attraverso l'erba ed è tornato sul sentiero non appena è stato disponibile un percorso libero.

Limiti

• Gli autori chiedono un dataset di segmentazione più ampio per migliorare la precisione sulle classi sottorappresentate, e dati di altre stagioni e altri sentieri per migliorare la generalizzazione.
• Affermano che l'equilibrio del selettore di waypoint tra aderenza al sentiero e deviazioni fuori sentiero va ancora ottimizzato.
• La dimostrazione sul campo copre un tratto di sentiero ed è riportata in modo qualitativo; la mappa di attraversabilità è stata costruita durante un passaggio in teleoperazione prima di pianificare i waypoint.
• La mappatura semantica si basa su una profondità stereo che gli autori considerano accurata solo tra 0,5 m e 6,0 m.
• Il peso di fusione w è un parametro fisso, impostato a mano e scelto a partire da due percorsi simulati (0,75 sul campo).

Impatto sul settore

L'articolo è stato finalista di un premio a IROS 2025 (sessione del programma TuAT1) e ha 4 citazioni. Gli autori pubblicano un dataset di immagini di sentieri escursionistici con etichette semantiche su IEEE DataPort e un ambiente di simulazione di sentieri in Gazebo pensato come benchmark.

Abstract

Gli ambienti naturali pongono sfide significative alla navigazione autonoma dei robot, in particolare per la loro natura non strutturata e in continuo mutamento. I sentieri escursionistici, con condizioni dinamiche influenzate dal meteo, dalla vegetazione e dal passaggio delle persone, rappresentano una di queste sfide. Questo lavoro introduce un nuovo approccio alla navigazione autonoma sui sentieri escursionistici che bilancia l'aderenza al sentiero con la flessibilità di adattarsi a percorsi fuori sentiero quando necessario. La soluzione è un modulo di Traversability Analysis che integra i dati semantici delle immagini della telecamera con le informazioni geometriche del LiDAR per creare una comprensione completa del terreno circostante. Un pianificatore usa questa mappa di attraversabilità per navigare in sicurezza, restando sui sentieri ma consentendo il movimento fuori sentiero quando necessario per evitare pericoli sul sentiero o per scorciatoie sicure fuori sentiero. Il metodo è valutato in simulazione per determinare l'equilibrio tra informazioni semantiche e geometriche nella stima dell'attraversabilità. Queste simulazioni hanno testato vari pesi per valutarne l'impatto sulle prestazioni di navigazione in diversi scenari di sentiero. I pesi sono stati poi validati con prove sul campo al West Virginia University Core Arboretum, dimostrando l'efficacia del metodo in un ambiente reale.

Link

• 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