Robot-Body-Aware Traversal Risk Graph Planning for Wheeled-Legged Robots in Complex Terrain

📄 arXiv: 2608.16433v1 📥 PDF

作者: Zhiqiao Guo, Bichi Zhang, Sören Schwertfeger

分类: cs.RO

发布日期: 2026-08-17

🔗 代码/项目: GITHUB

💡 一句话要点

提出机器人身体感知的行驶风险图规划以解决复杂地形导航问题

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 行驶风险图 机器人导航 复杂地形 轮腿机器人 路径规划 自主导航 地形感知

📋 核心要点

  1. 现有的行驶风险图方法在计算成本时未考虑机器人的定向身体足迹，导致在复杂地形中可能出现支撑丧失和干扰问题。
  2. 本文提出RB-TRG，通过在图边缘采样定向矩形足迹，结合航向和转弯信息，改进了地形风险的评估与规划。
  3. RB-TRG在多个地形环境中进行评估，成功率显著提高，同时保持了规划接口的兼容性，展现了良好的实用性。

📝 摘要（中文）

行驶风险图（TRGs）为全球导航提供了一种紧凑的、地形感知的表示，但现有TRG成本计算基于圆形节点邻域和边对齐的地形区域，而非机器人的定向身体足迹。对于轮腿机器人，这种抽象可能会忽视部分支撑丧失和身体与地形的干扰，尤其是在转弯时。本文提出了机器人身体感知的TRG规划（RB-TRG），在稀疏TRG表示的基础上，将边缘地形风险搜索提升到考虑航向和转弯的身体风险转移。通过在图边缘和偏航扫掠中采样定向矩形足迹，测量纵向支撑变化、横向倾斜、地形干扰和对不可信地图区域的暴露。实验结果表明，RB-TRG在四个扫描地形环境中的同图研究和配对闭环MuJoCo试验中，成功率从51.5%提高到68.5%，同时平均路径长度增加2.3%。

🔬 方法详解

问题定义：本文旨在解决现有行驶风险图在复杂地形中对轮腿机器人导航的不足，特别是未能考虑机器人定向身体足迹导致的支撑丧失和干扰问题。

核心思路：RB-TRG通过在图边缘采样定向矩形足迹，结合航向和转弯信息，提升了风险评估的准确性，从而改善了导航规划的效果。

技术框架：RB-TRG的整体架构包括稀疏TRG表示、边缘地形风险搜索、定向足迹采样和A*算法优化等主要模块，确保了高效的规划过程。

关键创新：RB-TRG的核心创新在于将边缘地形风险搜索提升到考虑机器人身体风险的转移，显著提高了在复杂地形中的导航能力。

关键设计：在设计中，采用了定向矩形足迹的采样方法，结合了纵向支撑变化、横向倾斜等特征，并通过A*算法最小化累积成本，确保了规划的有效性。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

RB-TRG在实验中表现出色，成功率从51.5%提升至68.5%，同时在路径长度上仅增加了2.3%。这一显著提升证明了其在复杂地形导航中的有效性和可靠性。

🎯 应用场景

该研究具有广泛的应用潜力，特别是在复杂地形的自主导航任务中，如救援机器人、探测机器人和农业机器人等领域。通过提高导航的成功率，RB-TRG能够显著增强机器人在实际环境中的适应能力和效率。

📄 摘要（原文）

Traversal Risk Graphs (TRGs) provide a compact, terrain-aware representation for global navigation, but native TRG costs are computed over circular node neighborhoods and edge-aligned terrain regions rather than the robot's oriented body footprint. For wheeled-legged robots, this abstraction can miss partial support loss and body-terrain interference, especially during turns. We present Robot-Body-Aware TRG planning (RB-TRG), which builds on the sparse TRG representation and lifts edge-wise terrain-risk search to heading- and turn-aware body-risk transitions. An oriented rectangular footprint is sampled along graph edges and yaw sweeps to measure longitudinal support variation, lateral inclination, terrain interference, and exposure to untrusted map regions. Mean-and-upper-tail features are incorporated into transition costs, whose accumulated value is minimized by A* over ordered node-pair states, preserving TRG construction and its planning interface. We evaluate RB-TRG in a same-graph study on four scanned terrain environments and in paired closed-loop MuJoCo trials. RB-TRG reduces the three core geometric body-placement metrics and increases end-to-end success from 51.5% to 68.5%, while increasing mean path length by 2.3%. A Go2-W deployment further demonstrates RB-TRG with a full LiDAR navigation stack, which received the Best Autonomy and Best Mobility awards at the IEEE ICRA 2026 Legged Robot Challenges. The code for RB-TRG is released at https://github.com/ZhiqiaoGuo/RB-TRG.