Traversability-guided planning for efficient robot navigation in uneven terrains

Abstract

This doctoral thesis presents several novel contributions to robot navigation in uneven terrains, emphasizing the development of innovative approaches in motion planning, environmental representation, traversability estimation, and kinodynamic motion planning. The research focuses on the critical importance of effectively navigating uneven terrains, a challenge particularly pertinent to outdoor robots operating under strict dynamic constraints such as steering, velocity, and acceleration limits. A notable contribution of this thesis is the integration of terrain information exploitation for optimal motion planning in challenging environments. Breaking new ground beyond traditional geometric motion planning, the work delves deep into kinodynamic motion planning, addressing the reduced maneuverability caused by dynamic constraints (e.g., velocity or torque) and enhancing the safety and efficacy of outdoor robotic systems. Another key innovation in this thesis is the development of a neural network-based dynamic traversability estimation method. This approach is tailored to the robot’s unique capabilities and orientation, leveraging its navigational experiences for learning. Utilization of these traversability estimates results in more precise and reliable collision-free motion plans and effective control mechanisms, significantly improving the safety and efficiency of complex navigation tasks. Furthermore, the thesis introduces a comprehensive navigation framework with a standardized, plugin-based interface. This framework facilitates the integration of new algorithms and ensures seamless interoperability among different components, such as controllers, motion planners, and environmental collision checkers. This holistic approach validates our proposed methodologies’ effectiveness in real-world scenarios and lays the groundwork for future research in robotic navigation through complex and uneven terrains. Overall, this thesis contributes to the field of robotic navigation by offering novel insights, methodologies, and a versatile framework that enhances adaptability, precision, and responsiveness. The experiments and validation of the algorithms presented in this thesis were conducted using two distinct real robot platforms. These platforms were tested across a diverse range of environments, ensuring a comprehensive evaluation of the algorithms’ performance and applicability in various real-world scenarios.

Denne doktorgradsavhandlingen presenterer flere nye bidrag til robotnavigasjon i ujevnt terreng, og legger vekt på utviklingen av innovative tilnærminger innen bevegelsesplanlegging, miljørepresentasjon, estimering av kryssbarhet og kinodynamisk bevegelsesplanlegging. Forskningen fokuserer på den kritiske viktigheten av å effektivt navigere i ujevnt terreng, en utfordring spesielt relevant for utendørsroboter som opererer under strenge dynamiske begrensninger som styrings-, hastighets- og akselerasjonsgrenser. Et bemerkelsesverdig bidrag fra denne avhandlingen er utnyttelse av terrenginformasjon for optimal bevegelsesplanlegging i utfordrende miljøer. Arbeidet bryter ny mark utover tradisjonell geometrisk bevegelsesplanlegging, og går dypt inn i kinodynamisk bevegelsesplanlegging, og adresserer den reduserte manøvrerbarheten forårsaket av dynamiske begrensninger (f.eks. hastighet eller dreiemoment) og forbedrer sikkerheten og effektiviteten til utendørs robotsystemer. En annen nøkkelinnovasjon i denne oppgaven, er utviklingen av en dynamisk traversabilitetsstimeringsmetode basert på nevrale nettverk. Denne tilnærmingen er skreddersydd til robotens unike evner og orientering, og utnytter dens navigasjonsopplevelser for læring. Utnyttelse av disse traversibilitetsestimatene resulterer i mer presise og pålitelige kollisjonsfrie bevegelsesplaner og effektive kontrollmekanismer, noe som betydelig forbedrer sikkerheten og effektiviteten til komplekse navigasjonsoppgaver. Videre introduserer oppgaven et omfattende navigasjonsrammeverk med et standardisert, plugin-basert grensesnitt. Dette rammeverket letter integreringen av nye algoritmer og sikrer sømløs interoperabilitet mellom forskjellige komponenter, for eksempel kontrollere, bevegelsesplanleggere og kollisjonssjekkere. Denne helhetlige tilnærmingen validerer de foreslåtte metodikkenes effektivitet i scenarier i den virkelige verden og legger grunnlaget for fremtidig forskning innen robotnavigasjon gjennom komplekse og ujevnt terreng. Samlet sett bidrar denne avhandlingen til feltet robotnavigasjon ved å tilby ny innsikt, metoder og et allsidig rammeverk som forbedrer tilpasningsevne, presisjon og respons. Eksperimentene og valideringen av algoritmene presentert i denne oppgaven ble utført ved hjelp av to distinkte robotplattformer. Disse plattformene ble testet på tvers av et mangfold av miljøer, og sikret en omfattende evaluering av algoritmenes ytelse og anvendelighet i ulike scenarier i den virkelige verden.