مقالة منهجية

SLAM المرئي المحسن وتخطيط المسار للملاحة المستقلة للروبوتات المتنقلة ذات العجلات

DOI:

10.3791/68794

⸱

أكتوبر 3, 2025

 ,  ,  , 
1School of Mechanical Engineering, Engineering Campus, Universiti Sains, 2School of Mechanical and Electrical Engineering, Kunming University of Science and Technology

في هذه المقالة

ملخص

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

تقدم هذه الدراسة نهجا لتحسين الملاحة الداخلية المستقلة WMR من خلال تحسين خوارزميات SLAM المرئية وتخطيط المسار. إنه يدمج الاندماج متعدد المستشعرات ، ويعزز استخراج الميزات ، ويطبق تقنيات تحسين المسار لتحسين التوطين ، وتجنب العوائق ، ومسارات أكثر سلاسة ، مما يدل على الأداء المتفوق في بيئات العالم الحقيقي والمحاكاة.

الملخص

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

يركز هذا البحث على التقنيات المهمة المستخدمة في الملاحة المستقلة للروبوت المحمول بعجلات ، مثل تحسين تخطيط المسار ، وتكامل النظام ، والتقدم في تقنيات التوطين ورسم الخرائط المرئية المتزامنة (SLAM). يقترح نهج محسن للتغلب على مشكلات التوطين في قياس المسافات المرئي التقليدي الناجم عن نقاط الميزات المكررة أو الموزعة بشكل غير متساو. يجمع هذا النهج بين مطابقة ميزة Perspective-n-Point (EPNP) الفعالة ، وتحسين وضع أقرب نقطة تكرارية (ICP) ، وإدارة الميزات المستندة إلى quadtree. وفقا للنتائج التجريبية ، فإن الطريقة المقترحة تزيد بشكل كبير من دقة التوطين والاستقرار. تم تطوير تقنية إعادة بناء سحابة النقاط الكثيفة بناء على بيانات RGB-D لتحسين اكتمال وتفاصيل التمثيل البيئي مع التخفيف من التناثر الذي غالبا ما يظهر في خرائط السحابة النقطية التي تنتجها أنظمة SLAM التقليدية. من أجل تحسين جودة المسير والكفاءة الحسابية ، يتم تقديم طريقة شجرة عشوائية محسنة سريعة الاستكشاف (RRT) ، والتي تتضمن إدارة حجم الخطوات التكيفية ، وتحيز الهدف ، وتنعيم المسير القائم على الشريحة B. علاوة على ذلك ، أصبح تجنب العوائق المحلية في الوقت الفعلي في المواقف الديناميكية ممكنا من خلال دمج خوارزمية النطاق المرن الموقوت (TEB). أكدت الاختبارات الشاملة في العالم الحقيقي فائدة الحلول المقترحة من حيث الكفاءة والمتانة وقابلية التطبيق العملي بعد تنفيذها على منصة تجريبية تعتمد على نظام تشغيل الروبوت (ROS).

المقدمة

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

تمر أنماط الإمكانات والتطبيقات للروبوتات بفترة من التحول السريع ، مدفوعة بالتقدم في تقنيات الذكاء الاصطناعي. في السنوات الأخيرة ، حقق التوطين ورسم الخرائط المتزامنة المرئية (Visual SLAM) وامتداده إلى أنظمة الملاحة المرئية بالقصور الذاتي (VINS) تقدما كبيرا من حيث المتانة ودقة التوطين1. لتعزيز موثوقية التهيئة في ظل الظروف الصعبة مثل الملمس المنخفض والإضاءة الضعيفة ، اقترح Campos et al. ORB-SLAM3 ، الذي يقدم نظاما متعدد الخرائط وتحسين التهيئة للأنظمة المرئية والبصرية بالقصور الذاتي2. لتحسين مطابقة الميزات في السيناريوهات الصعبة ، طورت DeTone et al. SuperPoint ،وهي طريقة 3 للكشف عن نقطة الاهتمام والوصف تحت الإشراف الذاتي ، بينما أنشأ Sarlin et al. SuperGlue ، وهو عبارة عن مطابقة ميزات قائمة على الشبكة العصبية للرسم البياني تتعامل مع الظروف المرئية الصعبة4. لإعادة بناء ثلاثية الأبعاد كثيفة ، اقترح Dai et al. BundleFusion ، وهو نظام إعادة بناء ثلاثي الأبعاد متسق عالميا في الوقت الفعلي يستخدم إعادة دمج السطح أثناء التنقل للتعامل مع البيئات واسعة النطاق وإغلاق الحلقات5.

في مجال تخطيط المسار ، لا تزال الأشجار العشوائية سريعة الاستكشاف (RRT) ومتغيراتها معتمدة على نطاق واسع لتخطيط الحركة الروبوتية. تم تقديم خوارزمية RRT التأسيسية لأول مرة بواسطة LaValle كأداة جديدة لتخطيط المسار ، مما يوفر طريقة فعالة قائمة على أخذ العينات لحل المشكلات المعقدة عالية الأبعاد6. تم تطوير هذا بشكل كبير من قبل Karaman و Frazzoli ، اللذين طورا خوارزمية RRT * التي توفر ضمانات مثالية مقاربة في تخطيط الحركة7. بناء على هذه الخوارزميات الأساسية ، ركزت الأبحاث الحديثة على الأساليب الهجينة التي تجمع بين الأساليب القائمة على أخذ العينات والتقنيات الأخرى. على سبيل المثال ، طور روسمان وآخرون طريقة النطاق المرن الموقوت (TEB) ، والتي تتيح توليد المسار الأمثل محليا وتم دمجها على نطاق واسع مع المخططين العالميين8. وبالمثل ، فإن نهج النافذة الديناميكية (DWA) الذي قدمه Fox et al. يوفر طريقة فعالة لتجنب العوائق المحلية في البيئات الديناميكية9.

على مستوى التخطيط المحلي والإدراك الدلالي ، اقترح تشين وآخرون استراتيجية تخطيط مسار إعلامي مدرك للدلالات للمركبات الجوية الصغيرة (MAVs) ، مما يعزز كل من كفاءة البحث والسلامة أثناء استكشاف الهدف10. قام Kabiri et al. بدمج قياسات وقت الوصول (ToA) 5G في إطار عمل VINS لتمكين دمج SLAM العالمي المحلي ، مما يحسن بشكل فعال دقة التوطين في البيئات ذات التغطية المحدودة GNSS11. لتسهيل رسم الخرائط في الوقت الفعلي عالي التردد ، طور Xu et al. FAST-LIO2 ، وهي طريقة قياس المسافات LiDAR-IMU المقترنة بإحكام قادرة على إنتاج خرائط ثلاثية الأبعاد دقيقةوكثيفة 12. لتخطيط المسار في البيئات المعقدة ، قدم Gammell et al. طريقة RRT * مستنيرة تتضمن نمو الأشجار ثنائي الاتجاه وأخذ العينات التكيفية ، مما يحسن بشكل كبير جودة المسار وكفاءة البحث في البيئات الديناميكية13. بالإضافة إلى ذلك ، بالنسبة لسيناريوهات الممر الضيق ، قدم كولمان وآخرون طريقة تخطيط الحركة القائمة على أخذ العينات مع أخذ عينات احتمالية متغيرة ، مما يحسن معدلات نجاح التخطيط والكفاءة الحسابية14.

تتناول هذه الدراسة التحديات الأساسية في الملاحة الداخلية المستقلة للروبوتات المتنقلة ذات العجلات (WMRs) من خلال تحسين كل من استراتيجية تخطيط المسار والواجهة الأمامية ل SLAM. وعلى وجه التحديد، صمم النظام المقترح للبيئات الداخلية النموذجية مثل المختبرات والممرات، التي تعمل في ظل ظروف ذات إضاءة معتدلة والحد الأدنى من الوصول إلى الشبكات العالمية لسواتل الملاحة. يستخدم نظام الملاحة بشكل أساسي كاميرا RGB-D ستيريو ، ووحدة قياس بالقصور الذاتي (IMU) ، وأجهزة تشفير العجلات ، مع تكوين جميع المستشعرات لأخذ عينات بسرعة لا تقل عن 20 هرتز. لضمان أداء موثوق به للنظام ، يتم تقييد السرعة القصوى للروبوت بأقل من 1.5 م / ث. فيما يلي المساهمات الرئيسية:

تم تطوير منصة ملاحة مستقلة متعددة المستشعرات للروبوتات المتنقلة ذات العجلات (WMRs) باستخدام كاميرا العمق كمستشعر أساسي. لتحقيق توطين دقيق وتجنب العوائق بكفاءة في البيئات الداخلية النموذجية ، يدمج النظام قياس مسافات العجلات ووحدة قياس القصور الذاتي (IMU). يلعب التآزر بين هذه المكونات دورا مهما في تحسين أداء الملاحة بشكل عام.

ساعد الجمع بين خوارزميات EPnP و ICP مع تقنية استخراج الميزات المستندة إلى quadtree وحدة التتبع في ORB-SLAM2 على التحسن. تتبع دقة وقوة تتبع أفضل من هذه التطورات.

تم اقتراح طريقة جديدة لتخطيط المسار تؤكد على تحسين المسار. يعتمد على تقنية RRT محسنة مع تحيز الهدف وأحجام خطوات قابلة للتعديل ويستخدم منحنيات B-spline لتنعيم المسار. يتم تضمين خوارزمية TEB أيضا لإدارة تجنب العوائق في البيئات الديناميكية.

يتم تأكيد أداء النظام من خلال الاختبار والمحاكاة في العالم الحقيقي. تسمح البيئات الداخلية النموذجية بالتحليل الكمي والنوعي لتقييم دقة الخريطة وجودة المسار وأداء الملاحة. من حيث المتانة والمعالجة في الوقت الفعلي ونعومة المسار ، يتفوق النهج المقترح على الحلول الحالية.

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

البروتوكول

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

1. منصة الأجهزة

  1. قم بإعداد منصة الروبوت المتنقلة ذات الدفع التفاضلي ذات العجلتين المناسبة للملاحة الداخلية (انظر الشكل 1). تستخدم هذه المنصة عجلتين مدفوعتين بشكل مستقل محاذاة على طول مركز الهيكل وعجلات دوارة سلبية في الأمام والخلف لضمان التوازن الميكانيكي والقدرة على المناورة.
  2. قم بتركيب عجلات الدفع التفاضلية على طول المحور الطولي المركزي للهيكل. استخدم مفك براغي سداسي لمحاذاة أعمدة العجلات وربطها في محاور المحرك. تأكد من أن العجلات متصلة بإحكام ولكن تدور بحرية دون تذبذب محوري. تحقق من محاذاة كلتا العجلتين بدقة للحفاظ على حركة الخط المستقيم وقياس المسافات بدقة.
  3. قم بتركيب عجلات العجلات الأمامية والخلفية على طرفي الهيكل لتوفير الدعم الميكانيكي أثناء المنعطفات. قد تؤدي المحاذاة السيئة إلى عدم الاستقرار أو الإمالة أثناء تغييرات الاتجاه عالية السرعة.
  4. قم بتركيب كاميرا عمق ذات إضاءة هيكلية على اللوحة الأمامية العلوية للهيكل. استخدم دعامة قابلة للتعديل أو حاملا لاصقا لتثبيت الكاميرا بإحكام. قم بتوجيهه بحيث يغطي مجال الرؤية ما يقرب من 0.3 متر إلى 3.0 متر قبل الروبوت.
  5. قم بتوصيل وحدة جهاز العرض والاستقبال بالأشعة تحت الحمراء بمبيت الكاميرا ، مما يضمن محاذاة جميع المراكز البصرية بشكل صحيح. اضبط زاوية ميل الكاميرا لتحسين إدراك العمق.
  6. قم بإمالة الكاميرا لأسفل بمقدار 15 درجة -30 درجة باستخدام الحامل القابل للتعديل. تأكد من عدم وجود جزء من الهيكل يعيق نمط الأشعة تحت الحمراء المتوقع. تساعد هذه الزاوية في التقاط ميزات التضاريس قريبة المدى وتجنب النقاط العمياء.
  7. تحقق من إخراج العمق في الوقت الفعلي للكاميرا باستخدام برنامج التصور مثل RViz (الإصدار 1.14.1). قم بتشغيل عقدة الكاميرا ولاحظ دفق صورة العمق. قم بتوصيل كاميرا العمق بوحدة التحكم الدقيق (MCU) المثبتة في وسط الهيكل.
    ملاحظة: تأكد من انقطاع التيار الكهربائي أثناء جميع التوصيلات. حافظ على الكابلات منظمة وبعيدا عن الأجزاء المتحركة لمنع التشابك أثناء الحركة.

2. تحسين ORB-SLAM2 لرسم الخرائط الداخلية

  1. إعداد بيئة ORB-SLAM2. قم بمعايرة الكاميرا (RGB-D) باستخدام أدوات معايرة ROS القياسية. قم بتكوين ملف التشغيل لتحديد موضوعات الكاميرا والدقة (على سبيل المثال ، 640 × 480) ومعدل الإطارات (على سبيل المثال ، 30 إطارا في الثانية). قم بتشغيل نظام SLAM باستخدام: xtark@tarkbot: $ roslaunch robot_platform slam map.launch slam _methods:=gmapping. تحقق من تغذية الكاميرا الحية ورسائل تهيئة SLAM في الجهاز. يجب أن تظهر الإطارات الرئيسية بعد بدء الحركة.
  2. قم بتعديل ORB-SLAM2 لدعم التعيين الكثيف. قم بتوسيع وحدة التعيين الافتراضية لتشمل مؤشر ترابط إعادة بناء كثيف يعالج بيانات العمق من الإطارات الرئيسية.
  3. لكل إطار رئيسي محدد: يمكنك استخراج صور RGB والعمق المتزامنة وتحويل وحدات بكسل العمق إلى نقاط ثلاثية الأبعاد باستخدام جوهرية الكاميرا ودمج السحب النقطية المتراكمة عبر الإطارات الرئيسية باستخدام معلومات الوضع. قسم بشكل متكرر أي منطقة بها أكثر من نقطة رئيسية إلى أربعة أرباع. استمر حتى تحتوي كل عقدة ورقية على نقطة رئيسية مهيمنة واحدة على الأكثر ، أو يكون حجم المنطقة أقل من 10 × 10 بكسل.
  4. تحسين توزيع الميزات باستخدام quadtree (انظر الشكل 2). قم بتعديل وحدة استخراج ميزة ORB لتشمل استراتيجية تقسيم مكانية تستند إلى quadtree. قسم الصورة إلى مناطق شبكة هرمية، وقم بتطبيق اكتشاف الزاوية السريع في كل منطقة، واحتفظ فقط بالميزة الأكثر بروزا لكل منطقة لضمان تغطية مكانية موحدة.
  5. من كل منطقة صالحة، حدد المرشح الذي حصل على أعلى استجابة بارزة كميزة تمثيلية.
  6. تحسين تقدير الوضع باستخدام EPnP. استبدل تقدير الوضع الافتراضي (على سبيل المثال ، الطرق التكرارية) بخوارزمية Efficient Perspective-n-Point (EPnP) باستخدام solvePnP الخاص ب OpenCV. استخدم ميزات الصورة ثنائية الأبعاد ونقاط الخريطة ثلاثية الأبعاد المقابلة لها لحل وضع الكاميرا.
  7. نشر الروبوت وتصوره والتحكم فيه. قم بتعيين عنوان IP ثابت للنظام المدمج على متن الروبوت للاتصال المستقر (على سبيل المثال ، ROBOT IP: 172.20.10.13). على الكمبيوتر المضيف، افتح RViz (الإصدار 1.14.1) وقم بتحميل التكوين لتصور مسار الروبوت وخرائط سحابة النقاط المتناثرة والكثيفة والإطارات الرئيسية والميزات المكتشفة.
  8. تحكم يدويا في الروبوت باستخدام مفاتيح أسهم لوحة المفاتيح للتنقل في مساحة التعيين. تأكد من ظهور خط المسار في RViz ، وتحديث إطارات وضعية الكاميرا في الوقت الفعلي.
    ملاحظة: يوضح الشكل 3 تخطيط لوحة المفاتيح للتحكم اليدوي في الروبوت أثناء التعيين.

3. معالجة نقطة الميزة باستخدام خوارزمية Quadtree

  1. قم بإجراء استخراج ميزة ORB كما هو موضح أدناه.
    1. قم بتحميل صورة الإدخال من موضوع صورة ROS أو مجموعة بيانات محلية باستخدام OpenCV (الإصدار 4.5.3).
    2. قم ببناء هرم غاوسي من أربعة مستويات ، وقسم الصورة إلى خلايا شبكية موحدة (8 × 8 خلايا لكل مستوى). داخل كل خلية ، قم بتطبيق كاشف FAST بعتبة 20 لتحديد النقاط الرئيسية المحلية.
  2. قم بإنشاء تحسين ميزة تستند إلى quadtree كما هو موضح أدناه.
    1. لكل مجموعة من النقاط الرئيسية على مستوى هرمي معين ، قم بإنشاء بنية رباعية: ابدأ بالصورة الكاملة كعقدة الجذر. قسم بشكل متكرر أي منطقة بها أكثر من نقطة رئيسية واحدة إلى أربعة أرباع. استمر حتى تحتوي كل عقدة ورقية على نقطة رئيسية سائدة واحدة على الأكثر ، أو يكون حجم المنطقة أقل من 10 × 10 بكسل.
  3. قم بتطبيق تقييم بروز الميزة كما هو موضح أدناه.
    1. قم بتقييم بروز كل نقطة رئيسية مرشحة داخل عقدة باستخدام المعادلة:
      figure-protocol-1(1)
      حيث Ip هي قيمة شدة البكسل المركزي في حي محلي ، و Ii يمثل قيم شدة 16 بكسل مجاورة. الفرق المطلق |أناف - أناأنا | يقيس التباين المحلي بين البكسل المركزي وكل جار. يوفر المجموع على جميع الجيران ال 16 مقياسا للتباين المحلي الكلي أو قوة النسيج حول البكسل المركزي.
    2. قم بترتيب جميع المرشحين باستخدام قائمة انتظار أولوية ديناميكية مرتبة حسب درجة البارزة. من كل منطقة صالحة، حدد المرشح الذي حصل على أعلى استجابة بارزة كميزة تمثيلية.
  4. تحسين تحديد الميزة والتحقق من صحتها
    1. اجمع بين جميع الميزات المحددة عبر المستويات الهرمية. تأكد من تغطية مكانية موحدة عبر الصورة. قم بتخزين نقاط الميزة النهائية وواصفاتها باستخدام مستخرج واصف ORB ، وهو إصدار محاذاة مع OpenCV.
    2. تحقق من عدم تجميع المعالم في بعض مناطق الصور. يجب أن تظهر نقاط الميزة توزيعا مكانيا موحدا ، مما يدعم التتبع القوي. تجنب تنفيذ معالجة الصور في نظام روبوت مادي أثناء الحركة. تأكد من استقرار دفق الكاميرا ومسح مساحة العمل.

4. تقدير الطرح باستخدام EPnP

  1. قم بإنشاء مراسلات ثنائية الأبعاد وثلاثية الأبعاد عن طريق تحديد أربعة أزواج متطابقة على الأقل من نقاط الخريطة ثلاثية الأبعاد (في إحداثيات العالم) والنقاط الرئيسية للصور ثنائية الأبعاد المقابلة لها. تأكد من استخراج هذه المراسلات من تطابقات ميزة ORB الصالحة التي تم الحصول عليها في مؤشر تعقب التتبع.
  2. حل الوضع الأولي باستخدام EPnP. استمر حتى تحتوي كل عقدة ورقية على نقطة رئيسية سائدة واحدة على الأكثر ، أو يكون حجم المنطقة أقل من 10 × 10 بكسل. استخدم وظيفة solvePnP في OpenCV مع علامة cv::SOLVEPNP_EPNP لتقدير وضعية الكاميرا.

5. صقل الوضع الدقيق مع برنامج المقارنات الدولية

  1. قم بإجراء أخذ عينات من السحابة النقطية كما هو موضح أدناه.
    1. قم بتقليل عينة سحابة نقطة المصدر لتقليل الحمل الحسابي وإزالة البيانات الزائدة عن الحاجة.
    2. استخدم أخذ عينات موحدة لضمان الاحتفاظ بالميزات الهيكلية بالتساوي عبر جميع الاتجاهات. إذا لزم الأمر ، قم بتطبيق تصفية شبكة voxel أو التحديد العشوائي بناء على كثافة سحابة نقطة الإدخال وخصائص الضوضاء. تأكد من أن السحابة التي تمت تصفيتها تحافظ على ملامح الكائن مع تقليل إجمالي عدد النقاط بنسبة 50٪ على الأقل.
  2. قم بمطابقة النقاط المقابلة عن طريق إنشاء KD-Tree من سحابة نقطة الوجهة لتمكين عمليات البحث الفعالة عن أقرب الجيران. لكل نقطة في سحابة نقطة المصدر التي تم أخذ عينات منها لأسفل ، ابحث عن أقرب نقطة لها في سحابة الوجهة باستخدام KD-Tree. تأكد من الدقة في مطابقة النقاط، حيث تؤثر هذه الخطوة بشكل حاسم على أداء التسجيل.
  3. تقدير التحول الأمثل كما هو موضح أدناه.
    1. استخدم أزواج النقاط المتطابقة لحساب مصفوفة تحويل الجسم الصلب، بما في ذلك كل من التدوير والترجمة.
    2. احسب التحويل الصلب الأمثل بين أزواج النقاط المتطابقة عن طريق تقليل متوسط الخطأ التربيعي (MSE) من خلال تحلل القيمة الفردية (SVD) لمصفوفة التغاير المتقاطع ، والتي تنتج مصفوفة الدوران مباشرة ، متبوعا بحساب متجه الترجمة بناء على النقاط المركزية المستديرة.
  4. قم بتطبيق التحويل المحسوب على سحابة النقطة المصدر وقم بتحديث جميع إحداثيات النقاط. كرر عملية مطابقة النقاط وتقدير التحويل بشكل متكرر. استمر في التكرار حتى ينخفض خطأ التسجيل إلى ما دون حد محدد مسبقا أو يتم الوصول إلى الحد الأقصى لعدد التكرارات.

6. بناء خريطة سحابة نقطة كثيفة

  1. قم بإنشاء خريطة سحابية كثيفة ثلاثية الأبعاد لتحقيق تمثيل دقيق ومفصل للبيئات الداخلية. اتبع الخطوات (انظر الشكل 4) الموضحة أدناه.
  2. استخراج بيانات RGB والعمق من الإطارات الرئيسية. حدد الإطارات الرئيسية بناء على الثراء البصري والتغطية المكانية. من كل إطار رئيسي محدد، استخرج كل من صورة RGB وخريطة العمق المحاذاة المقابلة من مستشعر RGB-D.
  3. تحويل بكسل الصورة إلى إحداثيات الكاميرا ثلاثية الأبعاد. لكل بكسل عمق صالح ، اعرض البكسل ثنائي الأبعاد في مساحة ثلاثية الأبعاد باستخدام معلمات الكاميرا الجوهرية. تولد هذه العملية إحداثيات ثلاثية الأبعاد في نظام إحداثيات الكاميرا.
  4. تحويل إحداثيات الكاميرا إلى إحداثيات عالمية. استرجع وضعية الكاميرا المحسنة من ORB-SLAM2 لكل إطار رئيسي. استخدم وضعية الكاميرا لتحويل إحداثيات الكاميرا ثلاثية الأبعاد إلى نظام إحداثيات عالمي ، ومحاذاة جميع السحب النقطية في مرجع عالمي مشترك.
  5. إنشاء نقاط 3D ملونة. لكل نقطة ثلاثية الأبعاد تم تحويلها، قم بتعيين قيمة RGB المقابلة من الصورة الأصلية. ينتج عن هذا سحابة نقطية ملونة تلتقط كلا من الهندسة والمظهر.
  6. دمج السحب النقطية من جميع الإطارات الرئيسية. قم بتجميع جميع السحب النقطية المحولة والملونة في خريطة سحابة نقطية عالمية موحدة. تأكد من المحاذاة الصحيحة باستخدام وضعيات الكاميرا المقترنة بكل إطار رئيسي.
  7. تسجيل وتحسين الخريطة النهائية باستخدام PCL. استخدم مكتبة سحابة النقاط (PCL) لتحسين الخريطة النهائية. قم بتطبيق التصفية لإزالة الضوضاء وأخذ العينات لأسفل لتحسين الكفاءة. قم بإجراء تسجيل عالمي (على سبيل المثال، باستخدام برنامج المقارنات الدولية) لضبط المحاذاة بين السحب النقطية إذا لزم الأمر (انظر الشكل 5).
    ملاحظة: كما هو موضح في الشكل 6 ، قد تظهر محاذاة سحابة النقطة الأولية أثناء مرحلة تهيئة الخرائط الكثيفة اختلالا عابرا بسبب بيانات المراقبة المحدودة ، والتي تتقارب بسرعة مع دمج وجهات نظر إضافية. من خلال التحكم في الروبوت لاجتياز البيئة ، يمكن الحصول على نموذج ثلاثي الأبعاد كامل.

7. إنشاء خريطة شبكة إشغال من سحب النقاط المشتقة من VSLAM

  1. عينة أسفل سحابة النقطة الكثيفة العالمية. قم بتطبيق تصفية شبكة voxel باستخدام دقة voxel تبلغ 0.05 m لتقليل التكرار وتحديد الدقة المكانية لبناء الشبكة.
  2. يشير Project 3D إلى شبكة إشغال ثنائية الأبعاد. قم بإسقاط جميع النقاط ثلاثية الأبعاد على المستوى الأفقي (x-y). قم بتمييز المساحة إلى خلايا شبكية موحدة ، يمثل كل منها مربعا بحجم 0.05 م × 0.05 م في العالم الحقيقي.
  3. تقدير احتمالات الإشغال. استخدم نموذج مستشعر عكسي لحساب احتمالية الإشغال لكل خلية بناء على كثافة النقطة ومحاكاة تتبع الأشعة.
    1. اضبط عتبة الاحتمال المشغولة على 0.65. اضبط حد الاحتمال الحر على 0.35. تصنيف خلايا الشبكة ذات القيم الوسيطة على أنها غير معروفة.
  4. تطبيق تضخم العقبة. قم بتضخيم المناطق المحتلة عن طريق تطبيق نواة دائرية بنصف قطر 0.2 متر لحساب خلوص الروبوت وهوامش الأمان.
  5. تصدير خريطة الإشغال. احفظ خريطة شبكة الإشغال التي تم إنشاؤها بتنسيق Portable GrayMap، مصحوبة بملف بيانات تعريف m.yaml مقابل، لضمان التوافق مع أنظمة الملاحة المستندة إلى ROS.

8. استراتيجية تخطيط مسار عالمي محسنة (استنادا إلى خوارزمية RRT)

  1. قم بتهيئة شجرة المسار. اضبط موضع بدء الروبوت كعقدة جذر الشجرة. عينة عشوائية من النقاط في مساحة التكوين (الحالة) لاستكشاف مناطق جديدة.
  2. حدد أقرب عقدة موجودة. لكل نقطة عشوائية تم أخذ عينات منها حديثا ، احسب المسافة الإقليدية لجميع العقد الموجودة. حدد العقدة ذات المسافة الدنيا كأقرب عقدة لتكون بمثابة قاعدة التوسعة.
  3. قم بإنشاء عقدة جديدة باتجاه العينة العشوائية. قم بإنشاء متجه وحدة اتجاهية من أقرب عقدة باتجاه نقطة أخذ العينات. حرك خطوة ثابتة (في البداية) على طول هذا الاتجاه لتشكيل عقدة جديدة وتوصيلها بالشجرة.
  4. استبدل حجم الخطوة الثابت بآلية تكيفية. بدلا من استخدام حجم خطوة ثابت ، اضبط طول الخطوة ديناميكيا بناء على كثافة العوائق المحلية. استخدم خطوات أكبر في البيئات المفتوحة لتسريع توسيع الشجرة. في المناطق المزدحمة أو الضيقة ، قم بتقليل حجم الخطوة لتحسين التحكم وتجنب العوائق.
  5. احسب حجم الخطوة التكيفية في الوقت الفعلي كما هو موضح أدناه.
    1. استخدم بيانات المستشعر (على سبيل المثال، LiDAR أو كاميرا العمق) لتقدير كثافة العوائق حول المنطقة الحالية.
    2. إذا كان عدد العوائق المكتشفة منخفضا ، فقم بزيادة حجم الخطوة قليلا. إذا كانت العوائق كثيفة ، فقم بتقليل حجم الخطوة بشكل متناسب لإدخال المزيد من العقد الوسيطة للاجتياز الآمن.
  6. كرر عملية التوسعة. استمر في أخذ العينات والبحث عن أقرب عقدة وإنشاء عقدة جديدة باستخدام حجم الخطوة التكيفية.
  7. ضع منحنيات B-spline للتنعيم. استبدل المقاطع متعددة الخطوط في مسار RRT بمنحنى B-spline مستمر لتحسين النعومة. حدد نقاط التحكم على طول مسار RRT الأصلي، عادة عند نقاط التحول أو نقاط الطريق الرئيسية. قم بإنشاء مضلع تحكم عن طريق توصيل نقاط التحكم هذه بالتسلسل.
  8. قم بإنشاء منحنى الشريحة B. استخدم صيغة B-spline القياسية15:
    figure-protocol-2(2)
    تستخدم هذه الصيغة في منحنيات الشريحة B، حيث يكون المنحنى النهائي C(u) عبارة عن مجموعة مرجحة من نقاط التحكم. يتم تحديد الأوزان من خلال وظائف أساس B-spline Ni ، k (u) ، والتي تضمن أن المنحنى ناعم ويتبع الشكل العام الذي تحدده نقاط التحكم.
  9. اضبط درجة المنحنى على 3 (مكعب) ، مما يضمن الاستمرارية (المشتقات الأولى والثانية السلسة). استخدم وحدة تخطيط المسار المكتوبة في PyCharm 2024.3.

9. تحسين المسار المحلي مع TEB المعدل

  1. أدخل أقصر قيد للمسافة كما هو موضح أدناه.
    1. للتخفيف من هذه العيوب ، قم بدمج أقصر قيود على المسافة في إطار TEB.
    2. حدد القيد على أنه المسافة الإقليدية بين الموضع الحالي للروبوت St والوضع المستقبلي Si + n على طول المسار:
      figure-protocol-3(3)
      يعاقب هذا القيد على الانحرافات غير الفعالة من خلال تشجيع المسار على البقاء بالقرب من حافة ممر المسار العالمي ، مما يحسن جودة التخطيط والسلامة.
  2. دمج القيد في دالة تكلفة TEB عن طريق تعديل الرسم البياني الأصلي لتحسين TEB لتضمين قيد المسافة كحافة إضافية. اضبط وظيفة التكلفة الإجمالية لتشمل مصطلحا مرجحا ل f os ، وموازنة النعومة والجدوى وكفاءة الطاقة.
  3. دمج القيد في وظيفة تكلفة TEB. أثناء التحسين ، قم بحل نقاط المسار التي تقلل من التكلفة الإجمالية ، بما في ذلك السرعة والتسارع وإزالة العوائق ومدى المسافة الأقصر المضافة. استخدم المحلل الأساسي ل TEB لتحسين المسار بشكل متكرر على فترات زمنية N. قم بتحسين المسار مع مراعاة القيد (انظر الشكل 7).

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

النتائج

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

تقييم ORB-SLAM2 المحسن
تجربة استخراج الميزات
لتقييم فعالية كاميرا العمق RGB-D في السيناريوهات العملية ، تم إجراء تجربة استخراج نقطة الميزة. تم تصميم الاختبار باستخدام بيئتين متميزتين في الخلفية ، تختلف كل منهما في لون الكائن وسطوعها لمحاكاة التعقيد البصري في العالم الحقيقي.

تم تطبيق كل من طريقة الاستخراج المحسنة المقترحة ونهج خط الأساس التقليدي على نفس مجموعة ظروف الاختبار. تم تسجيل عدد نقاط الميزة المستخرجة واتساقها المكاني وتحليلها كمؤشرات أداء أساسية...

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

المناقشة

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

التقنيتان الرئيسيتان في أنظمة الملاحة الداخلية المستقلة للروبوتات المتنقلة ذات العجلات اللتين تشكلان محور هذه الدراسة هما التوطين ورسم الخرائط المرئية المتزامنة (SLAM) 16،17وتخطيط المسار18. تقترح وحدة SLAM طريقة تحديد هرمية قائمة على رباعي الشجرة لتصحيح توزيع نقطة الميزة غير المتكافئ ل ORB-SLAM2. لتعزيز دقة الخريطة التي تم إنشاؤها ، يتم استخدام نهج رسم الخرائط الكثيفة غير المتزامنة. توضح النتائج التجريبية ...

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

الإفصاحات

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

يعلن المؤلفون عدم وجود تضارب في المصالح.

شكر وتقدير

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

نود أن نعرب عن خالص امتناننا للأستاذ المساعد كوك هوا يو من جامعة ساينز ماليزيا على توجيهاته التي لا تقدر بثمن طوال هذه الدراسة. كما نقدر المساعدة التي قدمها زميلنا الطالب جينغتاو جيا من جامعة كونمينغ للعلوم والتكنولوجيا، التي ساهم دعمها بشكل كبير في نجاح هذا العمل.

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

المواد

قائمة المواد المستخدمة في هذه المقالة
الاسمالشركةرقم فهرسيالتعليقات
كاميرا Astra Pro Plus 3DCRBBECايكاميرا ثلاثية الأبعاد
TARKBOT-R20-TWDايايروبوت ROS

المراجع

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Qin, T., Li, P., Shen, S. VINS-Mono: a robust and versatile monocular visual-inertial state estimator. IEEE T Robot. 34 (4), 1004-1020 (2018).
  2. Campos, C., Elvira, R., Rodríguez, J. J. G., Montiel, J. M. M., Tardós, J. D. ORB-SLAM3: an accurate open-source library for visual, visual-inertial and multi-map SLAM. IEEE T Robot. 37 (6), 1874-1890 (2021).
  3. SuperPoint: self-supervised interest point detection and description. DeTone, D., Malisiewicz, T., Rabinovich, A. Proc IEEE Conf Comp Vision Pattern Recognit Workshops, , 224-236 (2018).
  4. SuperGlue: learning feature matching with graph neural networks. Sarlin, P. E., DeTone, D., Malisiewicz, T., Rabinovich, A. Proc IEEE/CVF Conf Comp Vision Pattern Recognit, , 4938-4947 (2020).
  5. Dai, A., Nießner, M., Zollhöfer, M., Izadi, S., Theobalt, C. BundleFusion: real-time globally consistent 3D reconstruction using on-the-fly surface reintegration. ACM T Graphic. 36 (4), 1(2017).
  6. LaValle, S. M. Technical Report No. 98-11. Rapidly-exploring random trees: a new tool for path planning. , Iowa State University. (1998).
  7. Karaman, S., Frazzoli, E. Sampling-based algorithms for optimal motion planning. Int J Robot Res. 30 (7), 846-894 (2011).
  8. Rösmann, C., Hoffmann, F., Bertram, T. Integrated online trajectory planning and optimization in distinctive topologies. Robot Auton Syst. 88, 142-153 (2017).
  9. Fox, D., Burgard, W., Thrun, S. The dynamic window approach to collision avoidance. IEEE Robot Autom Mag. 4 (1), 23-33 (1997).
  10. Chen, Y., Zhong, L., Liu, S. Semantic-aware informative path planning for autonomous exploration with micro aerial vehicles. IEEE T Robot. 38 (5), 3122-3138 (2022).
  11. Kabiri, M., Vos, H., Atia, M. M. 5G-enhanced visual-inertial SLAM for robust localization in GNSS-denied environments. IEEE T Intell Transp Syst. 24 (6), 6421-6435 (2023).
  12. Xu, W., Zhang, F. FAST-LIO2: fast direct LiDAR-inertial odometry. IEEE T Robot. 37 (4), 1150-1166 (2021).
  13. Gammell, J. D., Barfoot, T. D. Informed sampling for motion planning in dynamic environments. Int J Robot Res. 41 (5), 517-540 (2022).
  14. Coleman, D., Srinivasa, S. S. Variable probability sampling for motion planning in narrow passages. IEEE Robot Autom Lett. 8 (2), 1024-1031 (2023).
  15. The NURBS Book. Piegl, L., Tiller, W. , 2nd ed, Springer-Verlag. (1997).
  16. Durrant-Whyte, H., Bailey, T. Simultaneous localization and mapping: part I. IEEE Robot Autom Mag. 13 (2), 99-110 (2006).
  17. Bailey, T., Durrant-Whyte, H. Simultaneous localization and mapping: part II. IEEE Robot Autom Mag. 13 (3), 108-117 (2006).
  18. Zhang, L., Wang, X., Yang, J. Hybrid motion planning for mobile robots using enhanced RRT and dynamic window approach. IEEE T Robot. 39 (2), 1123-1137 (2023).
  19. RRT-connect: an efficient approach to single-query path planning. Kuffner, J. J., LaValle, S. M. Proc IEEE Int Conf Robotics Automat, 2, 995-1001 (2000).

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

إعادة الطباعة والأذونات

طلب إذن لإعادة استخدام النص أو الأشكال في مقالة JoVE هذه

طلب إذن

الوسوم

مقالات ذات صلة