Elevation Map

• Também chamado: height map, 2.5D map, digital elevation model
• Categoria: Sensing › 3D maps & reconstruction
• Tags: mapping, terrain, legged-locomotion, 3d-perception, navigation

Um mapa em grade 2,5D do terreno que armazena um valor de altura, muitas vezes com uma incerteza, para cada célula horizontal; uma entrada padrão para o planejamento de robôs com pernas e fora de estrada.

Definição

Um mapa de elevação (elevation map) é uma grade sobre o plano do solo em que cada célula guarda a altura da superfície do terreno naquele local. Como armazena apenas uma altura por célula, costuma ser chamado de representação 2,5D: mais rica que uma grade de ocupação plana e muito mais barata que um mapa de voxels 3D completo. As células geralmente também carregam uma variância ou uma confiança, e muitos sistemas adicionam camadas extras de normais de superfície, inclinação, rugosidade ou trafegabilidade calculadas a partir das alturas.

Construir um mapa de elevação significa fundir dados de distância ao longo do tempo. Cada imagem de profundidade ou varredura de LiDAR é transformada para o referencial do mapa usando a pose do robô, os pontos são agrupados em células e cada nova medição de altura é fundida com a estimativa armazenada, muitas vezes com uma atualização no estilo do filtro de Kalman ponderada pelo ruído do sensor. Erros na estimativa de pose borram o mapa, então a deriva da odometria limita diretamente a qualidade do mapa. O mapeamento de elevação centrado no robô, desenvolvido na ETH Zurich para robôs com pernas como o ANYmal, mantém o mapa preso ao robô e aumenta a incerteza das células à medida que o robô se afasta de onde elas foram observadas, de modo que o terreno perto dos pés permanece consistente mesmo quando a posição global deriva. Implementações em GPU permitem atualizar o mapa na taxa da câmera.

A suposição de uma única altura também é a principal limitação. Saliências, mesas, túneis e estruturas de vários andares não podem ser representados, e áreas escondidas atrás de degraus ou pedras continuam desconhecidas, a menos que sejam preenchidas por interpolação ou por inpainting aprendido. Mapas de superfície multinível e mapas 3D completos tratam esses casos a um custo extra. Na locomoção com pernas, os mapas de elevação alimentam os planejadores de pontos de apoio, fornecem amostras de altura ao redor de cada pé como entradas para políticas aprendidas e apoiam estimativas de trafegabilidade para o planejamento de caminhos.

Por que importa

Robôs com pernas e veículos fora de estrada precisam saber onde está o chão, não apenas onde estão os obstáculos. Um mapa de elevação fornece isso de forma compacta, que planejadores e políticas aprendidas podem consultar rapidamente, e se tornou uma interface comum entre a percepção e a locomoção consciente do terreno.

Principais aplicações

• Locomoção perceptiva de quadrúpedes e humanoides em escadas e terreno irregular
• Planejamento de pontos de apoio e desvio de bordas de degraus
• Análise de trafegabilidade para veículos fora de estrada e rovers planetários
• Entradas de varredura de altura para políticas de locomoção aprendidas
• Mapeamento de terreno para robôs agrícolas e de construção

Na prática

Em um quadrúpede subindo escadas, câmeras de profundidade no corpo produzem nuvens de pontos várias vezes por segundo. Cada nuvem é transformada para um referencial de mapa centrado no robô com a pose da odometria visual-inercial ou das pernas e fundida em uma grade com células de poucos centímetros de lado. O controlador amostra alturas em um padrão ao redor de cada pé e as fornece, junto com a propriocepção, a uma política de locomoção, ou passa o mapa a um planejador de pontos de apoio que rejeita células perto das bordas dos degraus. Os engenheiros ficam atentos a artefatos como picos causados pelas próprias pernas do robô entrando no campo de visão da câmera e os filtram antes que o mapa chegue ao controlador.

Equívocos comuns

• Um mapa de elevação é um mapa 3D completo — ele armazena uma altura por célula e não consegue representar saliências, mesas ou vários andares
• Células sem dados são chão plano — células não observadas, muitas vezes atrás de obstáculos, são desconhecidas e devem ser tratadas com cautela ou preenchidas explicitamente
• A qualidade do mapa depende só do sensor de profundidade — erros de pose borram as alturas entre células, então a qualidade da odometria importa tanto quanto o sensor

Quem deve saber

• Engenheiros de locomoção com pernas que trabalham com controle perceptivo
• Desenvolvedores de robótica de campo e fora de estrada
• Engenheiros de mapeamento e percepção
• Pesquisadores de robótica planetária e agrícola

Tecnologias relacionadas

• Biblioteca Grid Map (Grid Map Library)
• Mapeamento de elevação centrado no robô (Robot-Centric Elevation Mapping)
• Odometria visual-inercial (Visual-Inertial Odometry)
• OctoMap
• Mapas de superfície multinível (Multi-Level Surface Maps)

Termos relacionados

• Terrain Traversability
• Point Cloud
• Depth Camera
• Odometry
• Octree
• Foothold Planning

Projetos relacionados

• LingBot-Map: Streaming 3D reconstruction from one camera: pose and depth for every frame, live
• Cartographer: Google's real-time 2D and 3D SLAM system for multi-platform robotics
• OpenDroneMap: Open-source photogrammetry toolkit that turns drone images into maps and 3D models
• Nav2: ROS 2 navigation stack with path planning and obstacle avoidance for mobile robots
• DimOS: Python robotics runtime with agents, SLAM and teleop, no ROS required
• RTAB-Map: Versatile graph-based SLAM supporting RGB-D, stereo, and LiDAR with real-time operation