复杂自然环境下的安全导航离不开准确的地形可通行性分析。 FSGP-BGK 提出了一套基于特征的稀疏高斯过程（SGP）框架，从激光点云中提取曲率与梯度特征，并结合时空贝叶斯高斯核（BGK）策略，将历史观测与实时估计进行概率融合。 通过 GPU 加速的特征计算、诱导点稀疏回归与 BGK 平滑，系统可实时生成密集且带不确定性度量的可通行性地图。 在五类地形（共 2500 组仿真数据）以及差速机器人实地实验中，FSGP-BGK 相比 SOTA 方法取得更高精度、更低方差和更优实时性能。
GPU 加速的 KNN、曲率与梯度提取压缩点云，构建信息密度高的诱导点集，使 SGP 能够准确估计高度、坡度和不确定性。
贝叶斯高斯核利用时间衰减和置信度权重，将历史地图与实时预测平滑融合，输出稳定的可通行性代价层。
可通行性代价图驱动 A* 搜索、MINCO 轨迹优化与闭环控制，构成适用于复杂地形的空地一体自主方案。
覆盖 2500 组仿真场景及户外实验，FSGP-BGK 将均方误差降低超 50%，并将运行时延缩短至传统高程图的三分之一。
利用 GPU 加速的 KNN、曲率与梯度计算，从激光点云中筛选关键诱导点，并通过 PCA 降低特征相关性。我们从点云中提取局部曲率 κ 和梯度 g，识别具有高曲率或大梯度的特征点，这些点表示山脊、山谷和悬崖等关键地形结构。
采用诱导点稀疏高斯过程在稠密网格上预测高度、坡度与方差，为可通行性评分提供不确定性依据。SGP 模型使用诱导点 Z 降低计算复杂度，同时保持模型保真度。对于每个测试点 X*，我们使用反距离加权插值计算局部曲率和梯度，然后将这些特征输入训练好的 GP 模型以预测地形高度和不确定性。
时空贝叶斯高斯核平滑融合历史地图，引入时间衰减与方差加权，输出平滑且可信的可通行性热图。BGK 方法使用时间衰减权重 ω_t = exp(-λ(t-t₀)) 和基于不确定性的置信权重 ω_σ = 1/(σ²_{τ,t-1}+ε) 融合历史可通行性估计 M_{τ,t-1} 与初步预测 M_{τ,pre}。该方法有效整合多帧观测，同时保持计算效率。
生成的可通行性代价图驱动 A* 全局路径规划和 MINCO 轨迹优化；优化后的轨迹由差速控制器 (DDR-opt) 在仿真和实地均实现平滑跟踪。完整的自主导航框架将定位、建图、规划和控制集成为统一系统，实现实时地形感知导航。
单次更新平均耗时 33.84 ms，显著低于直接堆叠多帧点云的方法，同时降低 GPU 显存占用，便于嵌入式部署。GPU 加速流程高效处理特征提取、SGP 推理和 BGK 融合，在真实机器人平台上实现 20 Hz 可通行性地图更新。
我们在五种地形类型（丘陵、森林、废墟、公路、室内）上进行了全面的定量评估，共 2500 个程序生成的点云。每个场景包含 15% 的意图遮挡以模拟真实激光雷达的局限性。我们的方法与经典 SGP 和高程图 (EM) 基线进行对比。
我们将系统部署在装备 Livox MID-360 激光雷达、Intel Core i7 计算单元与 RTX 2060 GPU 的 Agilex Scout Mini 差速驱动平台上。 FSGP-BGK 可在 20 Hz 频率下实时输出可通行性地图，准确标记传统 SGP 忽略的小型障碍，同时显著降低显存占用。机器人成功在复杂的室外非结构化环境中导航，实现实时地形感知路径规划和控制。
在 Isaac Sim 环境中，结合 FSGP-BGK 生成的代价图，MINCO 轨迹优化可获得连续平滑的导航路径，验证了方法对下游规划模块的兼容性。该框架在多种地形类型和传感器条件下展现出稳健的性能。
@inproceedings{hou2025fsgpbgk,
title={Real-time Spatial-temporal Traversability Assessment via Feature-based Sparse Gaussian Process},
author={Hou, Zhenyu and Tan, Senming and Zhang, Zhihao and Xu, Long and Zhang, Mengke and He, Zhaoqi and Xu, Chao and Gao, Fei and Cao, Yanjun},
booktitle={IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS)},
year={2025}
}