当前位置：首页 > news >正文

机器人导航中的高程图 vs 高度筛选障碍物点云投影 —— 如何高效处理避障问题？

news 2025/9/15 7:32:32

在机器人自主导航中，建图后的 避障策略 是核心环节之一。一个常见的问题是：

我应该用高程图（Elevation Map）还是将高度筛选后的障碍物点云投影到 2D costmap？二者有什么区别？如何正确处理高空障碍物？

本文就详细讲解一下这两个常用方案的异同、优缺点，并结合实际工程经验，分享常见配置策略，帮助大家合理设计自己的导航避障系统。

🗺️ 1️⃣ 高程图（Elevation Map）简介

高程图是一个 2D 栅格地图，每个 cell 存储对应区域的 地面高度信息。
它属于 2.5D 表达，常用于表达地形起伏、坡度、台阶等信息。

典型用途：

✅ 计算坡度（通过相邻 cell 高差）
✅ 判断地形是否可通行（traversability analysis）
✅ 轮式 / 越野 / 腿足机器人需要判断是否能翻越 / 爬坡

优缺点：

优势	局限
可以表达坡度 / 台阶	高空障碍物表达能力弱
地形可通行性分析	需要额外模块处理动态障碍物

坡度如何计算？

高程图中每个 cell 存 z，高度差 Δz 和水平距离 Δx/Δy 计算坡度：

$\frac{Δz}{\sqrt{Δx^2 + Δy^2}}$

这对于轮式机器人是否能安全行驶至关重要。

📌 2️⃣ 高度筛选障碍物点云 → 投影到 2D Costmap

另一种高效实用的方法是：

👉 将高度筛选后的障碍物点云投影到 2D costmap，直接作为导航中的 obstacle layer 使用。

处理流程：

1️⃣ 对原始点云按 z 轴筛选 → [min_z, max_z]
2️⃣ 将筛选后的点云投影到 (x, y) 平面
3️⃣ 对应 cell 设置为障碍物（lethal cost）

配置示例（ROS costmap_2d）：

obstacle_layer:enabled: trueobservation_sources: pointcloud_sensorpointcloud_sensor:data_type: PointCloud2topic: /lidar/pointsmarking: trueclearing: truemin_obstacle_height: 0.05max_obstacle_height: 1.4

优缺点：

优势	局限
实现简单，实时性好	无法表达坡度、地形信息
高空障碍物可直接映射到 costmap	依赖高度阈值，阈值选不好会误判
适合室内机器人 / AMR	不适合需要 traversability 的复杂机器人

✈️ 3️⃣ 高空障碍物如何处理？

关键问题：

高程图无法直接表达高空障碍物！

高程图通常存地面高度（最低 / 平均 / 中位 z），不存高层结构。
如果直接存"这个格子很高"，无法判断底下是否可通行。

高空障碍常用处理方式：

机器人类型	策略
轮式机器人 / AMR	只投影 base → robot_top 高度内障碍物，高空障碍通常忽略
高机器人 / 巡检机器人 / 送餐机器人	robot_base → robot_top 高度障碍投影到 2D costmap，防止撞头
更复杂机器人	使用 voxel grid 存 3D occupancy，结合 2D costmap 导航

为什么不能简单存“这个格子很高”？

机器人是否撞 depends on robot 自身高度。
需要动态筛选影响当前机器人体积的障碍物 → 配合 height threshold + 投影策略处理。

🔄 4️⃣ 高程图 vs 高度筛选障碍物 → 导航中的配合使用

实际上，很多优秀的导航系统是 二者结合用：

图层	功能
高程图	计算 traversability cost → Global costmap
高度筛选障碍物点云投影	动态障碍物实时避让 → Local costmap obstacle layer

这样可以兼顾：

✅ 地面是否可走（坡度 / 台阶）
✅ 空中是否有障碍（实时投影）
✅ 动态障碍物的快速处理能力

🚀 5️⃣ 工程实战建议

常见配置经验：

1️⃣ Global costmap： 用高程图 → 生成 traversability cost → feed 给 Global Planner
2️⃣ Local costmap： 用 pointcloud → 筛选 robot_base → robot_top → 投影为 obstacle layer
3️⃣ 高度筛选参数要根据机器人高度合理设置 → 防止 “能过的地方 planner 判成障碍物” 或 “撞头”
4️⃣ 高机器人场景推荐用 voxel grid → 支持 3D costmap 表达复杂场景

📝 6️⃣ 小结

能力	高程图	高度筛选障碍物点云投影
坡度表达	✅	🚫
地形可通行性分析	✅	🚫
动态障碍实时处理	🚫	✅
高空障碍处理	🚫（需 voxel 补充）	✅（通过高度筛选投影）
实现复杂度	中等偏高	很低，容易集成