SPOT: Sensing-augmented Trajectory Planning via Obstacle Threat Modeling

📄 arXiv: 2510.16308v1 📥 PDF

作者: Chi Zhang, Xian Huang, Wei Dong

分类: cs.RO

发布日期: 2025-10-18

💡 一句话要点

SPOT：基于障碍物威胁建模的感知增强无人机轨迹规划

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 无人机 轨迹规划 动态避障 主动视觉 高斯过程

📋 核心要点

  1. 现有无人机动态避障方法受限于单目深度相机的视野和盲区，且运动规划与感知分离，导致响应延迟。
  2. SPOT框架通过高斯过程建立障碍物置信度地图，并结合碰撞感知推理，生成观察紧急程度图，实现感知增强的轨迹规划。
  3. 实验表明，SPOT能提前2.8秒检测到动态障碍物，显著提升动态障碍物可见性，并安全通过复杂环境。

📝 摘要（中文）

配备单目深度相机的无人机在动态避障方面面临挑战，原因是视野有限和不可避免的盲区。虽然已经提出了通过控制机载相机来扩展感知范围的主动视觉策略，但大多数现有方法将运动规划与感知考虑因素分离，导致障碍物响应效果不佳且延迟。为了解决这个限制，我们引入了SPOT（基于障碍物威胁建模的感知增强规划），这是一个统一的规划框架，用于将感知目标显式地纳入运动优化中的观察感知轨迹规划。我们方法的核心是基于高斯过程的障碍物置信度地图，它建立了对已识别（先前观察到的）和潜在障碍物的统一概率表示。通过碰撞感知的推理机制进一步处理此置信度，该机制将空间不确定性和轨迹邻近性转换为随时间变化的观察紧急程度图。通过整合当前视野内的紧急程度值，我们定义了可微目标，从而实现计算时间低于10毫秒的实时、观察感知轨迹规划。在动态、杂乱和遮挡环境中的仿真和真实世界实验表明，我们的方法比基线方法提前2.8秒检测到潜在的动态障碍物，将动态障碍物的可见性提高了500％以上，并实现了在杂乱、遮挡环境中的安全导航。

🔬 方法详解

问题定义：论文旨在解决无人机在复杂动态环境中，由于单目深度相机视野受限和盲区问题，导致动态避障能力不足的问题。现有方法通常将运动规划和感知分离，无法有效利用感知信息来指导轨迹规划，导致响应延迟和避障效果不佳。

核心思路：论文的核心思路是将感知信息显式地融入到轨迹规划中，通过建立障碍物置信度地图来统一表示已观测和潜在的障碍物，并利用碰撞感知的推理机制将空间不确定性和轨迹邻近性转化为观察紧急程度，从而指导无人机主动调整视角，提高对潜在障碍物的感知能力，最终实现更安全、更高效的动态避障。

技术框架：SPOT框架主要包含以下几个模块：1) 基于高斯过程的障碍物置信度地图构建模块，用于融合历史观测数据，建立对环境的概率表示；2) 碰撞感知推理模块，用于根据无人机轨迹和障碍物置信度，计算观察紧急程度；3) 轨迹优化模块，将观察紧急程度作为优化目标，生成观察感知的轨迹。整个流程是一个闭环反馈系统，无人机根据当前轨迹和感知信息不断调整轨迹，以最大程度地降低碰撞风险。

关键创新：该论文的关键创新在于将感知目标显式地融入到运动规划中，通过障碍物置信度地图和碰撞感知推理机制，实现了观察感知的轨迹规划。与现有方法相比，SPOT能够主动调整视角，提高对潜在障碍物的感知能力，从而更早地发现并规避障碍物。

关键设计：障碍物置信度地图采用高斯过程进行建模，能够有效地表示环境的不确定性。碰撞感知推理机制通过计算轨迹与障碍物之间的距离和碰撞概率，生成观察紧急程度。轨迹优化采用可微分的优化目标，能够实现实时的轨迹规划。具体而言，损失函数中包含了轨迹平滑性、避障和观察紧急程度等多个项，通过调整各项的权重，可以平衡轨迹的平滑性、安全性以及感知能力。

📊 实验亮点

实验结果表明，SPOT方法比基线方法提前2.8秒检测到潜在的动态障碍物，动态障碍物的可见性提高了500％以上。在杂乱和遮挡环境中，SPOT能够安全地引导无人机通过，而基线方法则容易发生碰撞。这些结果表明，SPOT方法能够显著提高无人机在复杂动态环境中的避障能力。

🎯 应用场景

该研究成果可应用于无人机自主导航、物流配送、安防巡检等领域。在这些场景中，无人机需要在复杂动态环境中安全可靠地执行任务。SPOT框架能够提高无人机对环境的感知能力和避障能力，从而提高任务的成功率和安全性。未来，该技术还可以扩展到其他移动机器人平台，如自动驾驶汽车、服务机器人等。

📄 摘要（原文）

UAVs equipped with a single depth camera encounter significant challenges in dynamic obstacle avoidance due to limited field of view and inevitable blind spots. While active vision strategies that steer onboard cameras have been proposed to expand sensing coverage, most existing methods separate motion planning from sensing considerations, resulting in less effective and delayed obstacle response. To address this limitation, we introduce SPOT (Sensing-augmented Planning via Obstacle Threat modeling), a unified planning framework for observation-aware trajectory planning that explicitly incorporates sensing objectives into motion optimization. At the core of our method is a Gaussian Process-based obstacle belief map, which establishes a unified probabilistic representation of both recognized (previously observed) and potential obstacles. This belief is further processed through a collision-aware inference mechanism that transforms spatial uncertainty and trajectory proximity into a time-varying observation urgency map. By integrating urgency values within the current field of view, we define differentiable objectives that enable real-time, observation-aware trajectory planning with computation times under 10 ms. Simulation and real-world experiments in dynamic, cluttered, and occluded environments show that our method detects potential dynamic obstacles 2.8 seconds earlier than baseline approaches, increasing dynamic obstacle visibility by over 500\%, and enabling safe navigation through cluttered, occluded environments.