过渡栅格地图：静态与动态占用的联合建模新方法及其在SLAM中的应用

《IEEE Open Journal of Intelligent Transportation Systems》：Transitional Grid Maps: Joint Modeling of Static and Dynamic Occupancy

本文针对自动驾驶在动态环境中感知静态与动态障碍物的难题，提出了一种基于贝叶斯网络的概率框架——过渡栅格地图（TGM）。研究通过引入随机转移假设，实现了对环境中静态与动态部分的联合推断，有效解决了传统占用栅格地图（OGM）在动态场景下的局限性。实验表明，TGM不仅能生成更精确的地图，还能显著提升SLAM（即时定位与地图构建）在高度动态环境中的鲁棒性。

　　

在自动驾驶技术飞速发展的今天，智能车辆依赖传感器来感知周围环境，构建环境表征，从而预测未来事件并规划行动。然而，现实世界充满了挑战：传感器测量存在范围有限、易受遮挡以及噪声干扰等问题。这些问题在高度动态的环境中尤为突出，例如城市道路上的车辆、行人等不断移动的物体。传统的解决方案通常将环境分解为静态和动态两部分进行处理：使用占用栅格地图（Occupancy Grid Map, OGM）来构建静态环境地图，同时利用多目标跟踪器来追踪动态障碍物。这种方法虽然简单，但存在一个根本性缺陷——它假设传感器测量能够被清晰地区分为静态或动态。然而，在传感器稀疏、噪声大（如雷达、低分辨率激光雷达）或环境恶劣（如暴雨、大雪）的情况下，这种分类变得极其困难。更复杂的是，某些物体（如停放的车辆）其状态（静态或动态）会随上下文而变化，这使得传统方法更加不可靠。

为了解决这些问题，发表在《IEEE Open Journal of Intelligent Transportation Systems》上的这项研究提出了一种新颖的概率框架，旨在联合推断环境中哪些部分是静态占用的，哪些部分是动态占用的。研究人员将问题建模为一个贝叶斯网络，并通过引入一系列合理的假设，显著降低了问题的计算复杂度，从而推导出一种名为“过渡栅格地图”（Transitional Grid Maps, TGM）的高效解析解法。

研究的关键技术方法主要包括：1) 将环境建模为离散栅格，每个单元格具有自由、静态占用或动态占用三种状态；2) 构建一个贝叶斯网络图形模型，描述静态地图、动态地图、传感器测量和机器人位姿之间的概率关系；3) 引入“随机转移”假设，定义了动态障碍物在栅格间的转移概率，并约束其不能移动到静态单元格；4) 在转移概率仅依赖于相对位置的条件下，将预测步骤简化为高效的二维卷积运算；5) 将TGM与现有的基于栅格地图的SLAM算法相结合，通过仅将新扫描数据与静态地图进行匹配来提升定位精度。实验数据使用配备激光雷达的实车进行采集。

II. METHOD

本研究的方法核心在于其问题表述和贝叶斯建模。环境在每一时刻t被建模为一组N个单元格，即m_t= {m_t,1, m_t,2, ..., m_t,N}。每个单元格可以处于三种状态之一：自由（f）、静态（s）或动态（d）。静态环境m^s被视为恒定不变，而动态环境m_t^d则随时间演变。关键的创新点在于对动态障碍物运动的建模：通过事件T_j,i（表示单元格j的内容转移到单元格i）和依赖于地图状态的转移概率p(T_j,i| m_t-1)，确保了动态障碍物不能移动到静态单元格，并且静态障碍物本身不能移动。基于此，推导出了对动态单元格的预测项p(m_t,i^d| z_1:t-1, x_1:t-1)的高效计算公式，避免了对所有可能地图进行指数级复杂度的边际化。当转移概率仅依赖于单元格间的相对位置时，该预测可以进一步简化为对静态和动态信念图（M^s和M^d）的二维卷积操作，极大地提升了计算效率。

III. EXPERIMENTS

研究人员通过两个实验评估了TGM的性能，并与两种基线方法进行了比较：标准的占用栅格地图（OGM）和置信度饱和的OGM（c-OGM）。第一个实验在一个常见的驾驶场景（车辆在红绿灯前停靠后启动）中进行。结果表明，传统OGM会对临时停靠的车辆单元格产生过度自信的占用估计，导致车辆移动后留下“鬼影”。c-OGM由于设置了置信度饱和限，能更快更新信念，但会在移动障碍物的轨迹上留下痕迹。而TGM则能正确地将移动车辆识别为动态（橙色），防止它们污染静态地图（蓝色），从而生成更清晰准确的地图。

第二个实验设计了一个对SLAM极具挑战性的场景：自车停在红绿灯前，周围有大量动态车辆（包括电车），且激光雷达感知范围被限制在25米，以避免算法依赖远处的高层建筑特征。当绿灯亮起，所有车辆同时启动时，传统OGM和c-OGM的SLAM算法由于错误地将新的激光扫描数据与移动的车辆进行匹配，导致了严重的定位漂移和地图失真。而TGM-SLAM仅将扫描与静态地图部分进行匹配，成功保持了精确的定位，静态地图中的建筑物和停放的车辆没有出现扭曲，其定位误差（0.03米）远低于OGM（46.1米）和c-OGM（5.56米）。

IV. CONCLUSION AND FUTURE WORK

本研究成功地将动态环境地图构建问题形式化，并提出了过渡栅格地图（TGM）作为一种高效的解析解决方案。通过真实数据验证，TGM能够通过区分和跟踪静态与动态元素，生成更精确的环境地图。作为一个重要的附加效益，它还能显著改善现有SLAM算法在高度动态场景下的性能。这种改进对于下游任务（如路径规划）具有重要价值。该研究的主要局限性在于目前的方法尚未提供动态单元格的速度估计。未来的工作方向包括将TGM与跟踪器相结合以获得动态物体的更多信息，以及融合来自其他传感器（如摄像头）的分类信息，为栅格添加语义信息，从而为不同类别的对象定制更复杂的转移模型。