CUTE-Planner: Confidence-aware Uneven Terrain Exploration Planner

📄 arXiv: 2511.12984v1 📥 PDF

作者: Miryeong Park, Dongjin Cho, Sanghyun Kim, Younggun Cho

分类: cs.RO

发布日期: 2025-11-17

备注: Accepted in International Conference on Space Robotics 2025

💡 一句话要点

CUTE-Planner：面向不平坦地形探索的置信度感知规划器

🎯 匹配领域: 支柱三：空间感知 (Perception & SLAM)

关键词: 行星探测 地形探索 不确定性降低 置信度感知 卡尔曼滤波

📋 核心要点

  1. 现有行星探测方法在高程估计不确定性、探索策略和导航安全性方面存在不足。
  2. CUTE-Planner集成了安全路径生成、自适应置信度更新和置信度感知探索策略。
  3. 模拟月球实验表明，CUTE-Planner能显著降低不确定性并提高任务成功率。

📝 摘要（中文）

行星探测机器人需要在不平坦的地形中导航，同时为太空任务构建可靠的地图。然而，现有方法大多考虑了可通行性约束，但可能无法处理复杂地形（如陨石坑）附近高程估计中的高不确定性，没有考虑减少不确定性的探索策略，并且通常无法解决高程不确定性如何影响导航安全性和地图质量。为了解决这些问题，我们提出了一个集成了安全路径生成、自适应置信度更新和置信度感知探索策略的框架。利用基于卡尔曼滤波的高程估计，我们的方法生成地形可通行性和置信度评分，然后将其纳入基于图的探索规划器（GBP），以优先探索可通行的低置信度区域。我们通过模拟月球实验评估了我们的框架，使用了一种新的低置信度区域比率指标，与基线GBP相比，实现了69%的不确定性降低。在任务成功率方面，我们的方法达到了100%，而基线GBP达到了0%，证明了探索安全性和地图可靠性的提高。

🔬 方法详解

问题定义：行星探测任务中，机器人需要在崎岖地形中导航并构建可靠地图。现有方法主要关注地形可通行性，但忽略了复杂地形导致的高程估计不确定性，缺乏针对不确定性降低的探索策略，并且未能充分考虑高程不确定性对导航安全和地图质量的影响。因此，如何安全有效地探索未知地形，同时降低高程估计的不确定性，是本论文要解决的核心问题。

核心思路：CUTE-Planner的核心思路是利用地形的可通行性和高程估计的置信度，引导机器人优先探索可通行但置信度低的区域。通过不断探索这些区域，可以有效降低高程估计的不确定性，提高地图的质量和导航的安全性。这种置信度感知的探索策略能够更有效地利用有限的资源，提升任务的整体成功率。

技术框架：CUTE-Planner框架主要包含三个模块：1) 基于卡尔曼滤波的高程估计，用于生成地形可通行性和置信度评分；2) 安全路径生成，确保机器人在探索过程中的安全性；3) 置信度感知的探索策略，利用基于图的探索规划器（GBP）优先探索可通行的低置信度区域。整个流程是迭代进行的，机器人根据当前的地图和置信度信息规划下一步的探索路径，并在探索过程中不断更新地图和置信度。

关键创新：CUTE-Planner的关键创新在于其置信度感知的探索策略。与传统的探索方法不同，CUTE-Planner不仅考虑了地形的可通行性，还考虑了高程估计的置信度。通过优先探索低置信度区域，可以更有效地降低不确定性，提高地图的质量。此外，CUTE-Planner还采用了自适应置信度更新机制，能够根据实际的观测数据动态调整置信度估计，从而提高探索的效率和鲁棒性。

关键设计：CUTE-Planner使用卡尔曼滤波进行高程估计，并利用估计的协方差矩阵来表征置信度。可通行性评分基于高程估计的不确定性和地形坡度计算。探索策略通过修改GBP的奖励函数，使得机器人更倾向于探索可通行且置信度低的区域。具体而言，奖励函数中引入了置信度项，该项与置信度成反比，从而鼓励机器人探索低置信度区域。此外，还设计了一种新的低置信度区域比率指标，用于评估探索的效果。

📊 实验亮点

通过模拟月球实验，CUTE-Planner与基线GBP相比，实现了69%的不确定性降低。更重要的是，在任务成功率方面，CUTE-Planner达到了100%，而基线GBP仅为0%。这些结果表明，CUTE-Planner能够显著提高探索安全性和地图可靠性，为行星探测任务提供了更可靠的解决方案。

🎯 应用场景

CUTE-Planner可应用于各种行星探测任务，例如月球、火星等。该方法能够提高探测机器人在未知地形中的导航安全性和地图构建的可靠性，从而提升任务的成功率。此外，该方法还可以应用于自动驾驶、无人机等领域，提高机器人在复杂环境中的感知和导航能力。未来，该研究可以进一步扩展到多机器人协同探索，实现更大范围、更高效率的地图构建。

📄 摘要（原文）

Planetary exploration robots must navigate uneven terrain while building reliable maps for space missions. However, most existing methods incorporate traversability constraints but may not handle high uncertainty in elevation estimates near complex features like craters, do not consider exploration strategies for uncertainty reduction, and typically fail to address how elevation uncertainty affects navigation safety and map quality. To address the problems, we propose a framework integrating safe path generation, adaptive confidence updates, and confidence-aware exploration strategies. Using Kalman-based elevation estimation, our approach generates terrain traversability and confidence scores, then incorporates them into Graph-Based exploration Planner (GBP) to prioritize exploration of traversable low-confidence regions. We evaluate our framework through simulated lunar experiments using a novel low-confidence region ratio metric, achieving 69% uncertainty reduction compared to baseline GBP. In terms of mission success rate, our method achieves 100% while baseline GBP achieves 0%, demonstrating improvements in exploration safety and map reliability.