Traversability-aware Adaptive Optimization for Path Planning and Control in Mountainous Terrain

在极端山地地形中进行自主导航面临挑战，因为存在移动应力元素和起伏不平的表面，相比传统的越野驾驶场景更加困难。在这种环境中，仅基于外部感知传感器估计可通过性往往会导致无法到达目标，因为不可通过区域的比例很高。本文将可通过性视为相对值，它整合了机器人的内部状态，如速度和扭矩，以展现出韧性行为，成功达到目标。我们将可通过性分为明显可通过性和相对可通过性，然后将这些区别纳入基于采样的规划和运动预测控制的优化过程中。我们的方法使机器人能够更准确地执行所需的行为，同时避免危险区域和卡住。在27种不同类型的山地地形的仿真实验和真实环境中进行的实验表明，所提出的框架具有鲁棒性，在更复杂的环境中表现越来越好。

该论文旨在解决在极端山地地形中自主导航所面临的挑战，包括移动应力元素和波动表面等，这使得相比传统的越野驾驶场景更加困难。

该论文将可穿越性视为相对值，将机器人的内部状态（如速度和扭矩）与目标结合起来，以展示成功到达目标的弹性行为。将可穿越性分为表观可穿越性和相对可穿越性，然后将这些区别纳入基于采样的规划和运动预测控制的优化过程中。

该论文在27种不同类型的山地地形的模拟和实际世界中进行了实验，证明了所提出的框架的鲁棒性，表现出在更复杂的环境中越来越好的性能。

最近的相关研究包括“Terrain Traversability Analysis and Prediction for Planetary Rovers: A Review”和“Robust Autonomous Navigation in Unstructured Environments Using Reinforcement Learning”等。