Posenschätzung unbemannter Unterwasserfahrzeuge mithilfe von Augmented-Reality-Marker-basierten Simulationen

Zusammenfassung

Diese Studie präsentiert ein ROS–Gazebo-basiertes monokulares Visionsrahmen zur Posenschätzung autonomer Unterwasserfahrzeuge unter Verwendung von ArUco-Markern. Geschätzte Posen werden mit simulierter Odometrie verglichen, was stabiles Tracking und eine starke Übereinstimmung mit der Bodenwahrheit unter kontrollierten Bedingungen zeigt.

Zusammenfassung

Diese Studie präsentiert einen simulationsbasierten Rahmen zur Posenabschätzung unbemannter Unterwasserfahrzeuge (UUVs) unter Verwendung eines monokularen Sehsystems innerhalb einer ROS–Pavillon-Umgebung. Das RexRov2 UUV-Modell, integriert mit ArUco_ROS, wird verwendet, um virtuelle Markierungen zu erkennen und Position sowie Ausrichtung in einer simulierten Unterwasserumgebung zu schätzen. Eine Perspektive-n-Punkt-(PnP)-Methode wird zur Pose-Schätzung angewendet, und ein proportional-integral-derivativer (PID)-Regler regelt die Fahrzeugbewegung basierend auf markerabgeleiteten Merkmalen. Das System wird bewertet, indem geschätzte Posen mit der Ground-Truth-Odometrie verglichen wird, die aus dem Simulator erhalten werden. Unter nominalen Bedingungen zeigen die Ergebnisse eine stabile Pose-Schätzung mit enger Übereinstimmung zwischen geschätzten und wahren Positionen und Orientierungen. Das System hält eine gleichmäßige Flugbahnverfolgung mit minimalen Schwankungen aufrecht, was auf eine zuverlässige Leistung in kontrollierten Umgebungen hinweist. Bei erhöhten hydrodynamischen Störungen zeigt das System jedoch Abweichungen in Position und Ausrichtung, was zu einer Instabilität der Verfolgungsleistung führt. Diese Ergebnisse heben die Grenzen der klassischen PID-Steuerung in nichtlinearen Unterwasserumgebungen hervor und deuten auf den Bedarf robusterer Steuerungsstrategien hin. Insgesamt bietet das vorgeschlagene Framework eine sichere, flexible und kosteneffiziente Plattform zum Testen von Unterwassernavigationsalgorithmen und zur Bewertung der Integration von Wahrnehmung und Kontrolle in simulierten Umgebungen.

Einleitung

Unbemannte Unterwasserfahrzeuge (UUVs) werden häufig in Situationen eingesetzt, in denen die menschliche Präsenz begrenzt ist, wie z. B. bei der Meeresüberwachung, Exploration und der Erdölindustrie. Sie sind mit fortschrittlichen Sensoren ausgestattet, um Daten aus komplexen Unterwasserumgebungen zu sammeln, was robuste und kostengünstige Testplattformen erfordert. Simulationstechniken, einschließlich visueller Methoden mit ArUco-Markern, bieten eine effektive Möglichkeit, Risiken im Zusammenhang mit der realen Einsetzung von UUVs zu reduzieren.

Die Geschichte der UUVs, vom ersten Special Purpose Underwater Research Vehicle bis hin zu modernen autonomen Unterwasserfahrzeugen, unterstreicht ihre Bedeutung in Forschung, Verteidigung^{und Industrie.} Die Weiterentwicklung autonomer Unterwasserfahrzeuge unterstreicht zusätzlich die Notwendigkeit präziser Positionierung, Navigation und Tests in simulierten Umgebungen ^2,3.

Abbildung 1 zeigt die konventionelle Architektur eines UUV-Simulationssystems. Die Kombination aus dem Robot Operating System (ROS) und dem Gazebo-Simulator bietet eine vielseitige Plattform für Modellierung, Steuerung und Echtzeitkommunikation. ROS ermöglicht eine effiziente Kommunikation zwischen Sensoren, Aktuatoren und Steuermodulen, während Gazebo eine realistische 3D-Simulationsumgebung zum Testen von Navigations- und Steuerungsalgorithmen ^4,5 bietet. In diesem Zusammenhang verbessern ArUco-Marker-basierte Methoden die Posenschätzung, indem sie eine präzise Erkennung und Verfolgung von Referenzpunkten⁶ ermöglichen.

Abbildung 1: Konventionelle Architektur eines UUV-Simulationssystems.Das Diagramm veranschaulicht die Interaktion zwischen Simulations-, Wahrnehmungs- und Steuerungskomponenten innerhalb des ROS–Gazebo-Rahmens. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

Mehrere Studien haben UUV-Simulation, Navigation und Wahrnehmungstechnologien weiterentwickelt⁷. Die Eignung des ROS–Gazebo-Frameworks für die Robotermodellierung wurde^demonstriert, und dieser Ansatz wurde durch den UUV Simulator für Multi-Roboter- und Interventionsaufgaben^auf Unterwasseranwendungen ausgeweitet. Auch die sichtbasierte Positionierung wurde durch die Kombination von ArUco-Markern mit Tracking-Algorithmen⁶ verbessert. Ebenso wurden hochpräzise Simulationen und Überwachung von Unterwassermissionen durch fortschrittliche Simulationsplattformen⁸ ermöglicht, während auch robuste Positionierung in geschlossenen Umgebungen mit Fiducial-Markern^demonstriert wurde.

Diese technologischen Entwicklungen werden durch Umfragestudien ergänzt. Fortschritte bei Unterwassernavigation und Lokalisierungsherausforderungen wurden umfassend überprüft^{10, 11}, und kommerzielle sowie Open-Source-Simulationsplattformen wurden systematisch bewertet¹². Weitere Überprüfungen haben den Stand der Technik autonomer Unterwasserfahrzeuge^13,14 sowie Formationssteuerungs- und Kommunikationsstrategien für Mehrfahrzeugsysteme^untersucht. Darüber hinaus haben Fortschritte in der robusten Tracking Control¹⁵ und Zustandsschätzung mit Deep-Learning-Ansätzen, wie Gated Recurrent Units¹⁶, die Zuverlässigkeit autonomer Unterwassermissionen weiter verbessert. Zusammen zeigen diese Studien bedeutende Fortschritte im Realismus von Simulationen, Navigation und der intelligenten Steuerung von UUVs.

Trotz dieser Fortschritte bestehen mehrere Forschungsherausforderungen. Aktuelle Simulatoren verfügen nicht über genaue Sensormodelle, insbesondere für vorausschauende und seitlich scannende Sonarsysteme. Die meisten Plattformen unterstützen nur einzelne AUV-Operationen, mit begrenzter Fähigkeit zur Koordination und Formationen mehrerer AUVs. Sensor- und dynamische Modellungenauigkeiten können zu suboptimaler Leistung führen, und Umweltstörungen wie Ströme und Rauschen werden nicht konsistent über Simulatoren hinweg modelliert. Um diese Einschränkungen zu beheben, führt die vorliegende Studie ein ROS–Gazebo-Simulationsrahmenwerk ein, das ArUco-Marker-basierte Pose-Schätzung integriert, um eine genauere Zustandsschätzung und eine rigorose Bewertung von UUV-Navigationsalgorithmen zu ermöglichen.

Diese Arbeit liefert drei Hauptbeiträge. Erstens präsentiert es einen auf ArUco basierenden Ansatz zur Schätzung der monokularen Pose innerhalb einer Unterwasser-ROS–Gazebo-Simulationsumgebung unter Verwendung des RexRov2-Modells. Zweitens analysiert er die Stabilität der Pose unter unterschiedlichen Störungsbedingungen und Kontrollszenarien. Drittens identifiziert es Einschränkungen der klassischen PID-Steuerung in nichtlinearen Unterwasserumgebungen unter dynamischen Störungen. Darüber hinaus integriert diese Arbeit Wahrnehmung, Steuerung und Simulation in einen einheitlichen Rahmen und überbrückt Lücken in früheren Studien, die diese Komponenten unabhängig behandeln.

Protokoll

1. Einrichtung der Softwareumgebung

Eine Linux-basierte Workstation mit Ubuntu 20.04 und dem Robot Operating System (ROS) Noetic wurde als primäre Entwicklungsplattform für die Implementierung von Unterwasser-Selbstlokalisierungssystemen¹⁷ verwendet. Das System wurde initialisiert, indem ein Catkin-Arbeitsbereich mit mkdir -p ~/catkin_ws/src erstellt und dann mit catkin_init_workspace initialisiert wurde. Die uuv_simulator- und aruco_ros-Pakete wurden in das Quellverzeichnis geklont und mit dem Befehl catkin_make kompiliert, um Unterwasserinterventionsmodellierung zu unterstützen.

Die Verbindung zwischen der ROS-Middleware und dem Gazebo 9-Simulator wurde durch das Starten einer Standard-Unterwasserwelt und die Bestätigung der aktiven Kommunikation über den Befehl rosopische Listen bestätigt. Die Bildverarbeitungs- und Pose-Schätzungsknoten wurden mit Python 3.8 und integrierten ArUco-Bibliotheken implementiert, um die relative Pose mit OpenCV zu berechnen. Die ROS-Umgebung wurde so konfiguriert, dass sie Abhängigkeiten verwaltet und Echtzeit-Datenkommunikation ermöglicht, sodass sich der Roboter relativ zu mehreren künstlichen Markierungen^{lokalisieren konnte}. Dieses Setup ermöglichte auch die Bewertung der Markererkennungsleistung unter unterschiedlichen Bedingungen. Abbildung 1 zeigt die Kommunikation zwischen den Simulations-, Wahrnehmungs- und Visualisierungsknoten in der ROS–Gazebo-Umgebung.

2. UUV-Modell und hydrodynamische Parametrisierung

Das RexRov2-Fahrzeugmodell wurde aus dem uuv_descriptions-Paket gewonnen und im Gazebo mit der Unified Robot Description Format (URDF)-Datei⁵ gestartet. Das Fahrzeugmodell bestand aus Gelenken und Gelenken mit einer Trockenmasse von 1.863 kg und einer Volumenverdrängung von 1,838 m^³, was einer nahezu neutralen Auftriebskraft im Wasser mit einer Dichte von 1.000 kg/m^³ entspricht.

Hydrodynamische Effekte wurden mit der uuv_underwater_object_plugin modelliert, einschließlich linearer und quadratischer Dämpfungskräfte. Der zusätzliche Massenstoßkoeffizient wurde auf 779,79 gesetzt, und die Dämpfungsparameter wurden auf Basis der gemeldeten RexRov2-Eigenschaften kalibriert, um realistische Fahrzeugbewegung¹⁹ zu simulieren. Abbildung 2 zeigt die gesamte Simulationsarchitektur.

Abbildung 2: Gesamtarchitektur der Simulationsumgebung. Die Abbildung zeigt die Integration des UUV-Modells, der Sensoreingaben, der Wahrnehmungspipeline und der Steuerungsmodule, die für die Posenschätzung und Navigation verwendet werden. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

3. Kamera-, Marker- und Umweltaufbau

Eine Monokularkamera war am Rexrov2/camera_link-Rahmen befestigt. Die Kameraparameter wurden auf 1280 × 720 Pixel und 30 Hz gesetzt. Intrinsische Parameter wurden in der Kamerakonfigurationsdatei mit einer Brennweite von 554,25 Pixeln und einem Hauptpunkt bei (640,5, 360,5) definiert.

Ein fester vertikaler ArUco-Marker mit einer Seitenlänge von 0,5 m, ausgewählt aus dem 6×6_250-Wörterbuch (ID: 582), wurde an den Koordinaten (20.0, 0.0, -10.0) positioniert. Die simulierte Umgebung wurde mit einer Wassertiefe von 10 m und einer konstanten Stromgeschwindigkeit von 0,1 m/s in X-Richtung unter Verwendung des ROS-Dienstes /uuv_simulation_app/set_current_velocity konfiguriert. Eine Lichtintensität von 0,8 wurde verwendet, um die Sichtbarkeit der Markierung⁹ sicherzustellen. Abbildung 3 zeigt die simulierte Unterwasserumgebung.

Abbildung 3: Simulierte Unterwasserumgebung im Pavillon 9. Die Umgebung umfasst das RexRov2-UUV, virtuelle ArUco-Marker und kontrollierte Umweltbedingungen wie Wassertiefe, Beleuchtung und Strom. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

4. Posenschätzung und Navigationssteuerung

Die Marker-Erkennungspipeline wurde mit dem ArUco ROS-Knoten initiiert, der das Thema /rexrov2/forward_camera/image_raw abonnierte. Die Position des Fahrzeugs wurde mit der Perspektiv-n-Punkt-Methode (PnP) geschätzt, um die Rotationsmatrix (R) und den Translationsvektor (t) relativ zur bekannten 3D-Markierungsgeometrie zu berechnen.

Die geschätzte Pose wurde mit einem statischen Transform-Publisher vom Kamerarahmen in den globalen Referenzrahmen transformiert. Ein PID-Regler wurde verwendet, um die Fahrzeugbewegung zu regulieren, indem Geschwindigkeitsbefehle an das /rexrov2/thruster_manager/Input-Thema gesendet wurden. Die proportionalen Gewinne (Kp) für die Surge und Heave-Achsen wurden auf 1500 bzw. 2000 gesetzt, um eine stabile Tracking^{Performance 20} sicherzustellen.

5. Bewertung und Ground-Truth-Vergleich

Die Übereinstimmung zwischen den visionsbasierten Posenschätzungen und der simulierten Trajektorie wurde mit dem vom uuv_gazebo_ros_p3d-Plugin bereitgestellten Thema /rexrov2/pose_gt bewertet. Die geschätzte Pose aus der ArUco-basierten Pipeline wurde mit Ground-Truth-Odometriedaten verglichen, um die Systemstabilität und -konsistenz zu bewerten.

Die Bewertung erfolgte durch Trajektorienvergleich und Echtzeitvisualisierung, bei der Position (X, Y, Z) und Orientierung (Roll, Neigung, Gier) mit Rviz und rqt_plot überwacht wurden. Dies ermöglichte die Beobachtung von Abweichungen sowohl unter nominalen als auch unter störungsbedingten Bedingungen.

Die Studie konzentriert sich auf qualitative und vergleichende Bewertung. Quantitative Evaluation mit Hilfe des Root Mean Square Error (RMSE) wird als zukünftige Arbeit identifiziert, bei der mehrere Simulationsläufe verwendet werden, um Positions- und Orientierungsfehler zu bewerten.

6. Ergebnisgenerierung und Visualisierung

Rviz wurde als 3D-Visualisierungstool verwendet, um die UUV-Flugbahn und -Lage zu überwachen. Die /rexrov2/camera_link- und /aruco_marker_frame-Koordinatenrahmen wurden visualisiert, um die räumliche Beziehung zwischen Fahrzeug und Markierer² zu bewerten.

Das rqt_plot-Tool wurde verwendet, um Echtzeitdiagramme der Fahrzeuglage (Roll, Nick, Gier) mit den Themen /rexrov2/pose_gt und /aruco_pose zu erstellen. Der Rosbag-Datensatzbefehl wurde verwendet, um Simulationsdaten, einschließlich Videoströme und Steuereingaben, für qualitative Analysen zu erfassen.

Die Simulation wurde unter idealen visuellen Bedingungen durchgeführt, unter guter Beleuchtung und geringer Trübung. Man nahm an, dass der ArUco-Marker unberührt blieb. Hydrodynamische Dämpfungseffekte wurden mit vereinfachten Koeffizienten modelliert, und Sensorrauschen wurde nicht einbezogen.

Ergebnisse

Eine simulierte Unterwasserumgebung wurde verwendet, um das vorgeschlagene ROS–Gazebo-basierte System mit dem RexRov2-UUV zu bewerten. Die Wellensimulationsumgebung (Abbildung 3) bot eine dynamische, aber kontrollierte Umgebung zur Bewertung des markerbasierten Pose-Schätzungssystems.

Abbildung 4 veranschaulicht die Beziehung zwischen den detektierten ArUco-Markern und der resultierenden UUV-Trajektor...

Diskussion

Die numerischen Beobachtungen stützen die Wirksamkeit des vorgeschlagenen Rahmens unter kontrollierten Bedingungen. Die kleinen Positionsschwankungen (im Bereich von 10⁻² m) und Orientierung (im Bereich von 10⁻² Rad) deuten auf stabile Positionsverfolgung hin. Diese Ergebnisse zeigen, dass ArUco-Marker eine zuverlässige Referenz für die Lokalisierung⁶ auf kurze Reichweite bieten. Darüber hinaus ermöglichen Simulationsplattformen die Erstellun...

Materialien

Liste der in diesem Artikel verwendeten Materialien

Name	Unternehmen	Katalognummer	Kommentare
ArUco Marker Detection Library	OpenCV	N/A (open-source)	Visionbasierte Markererkennung für Positionsbestimmung
Gazebo Simulator	Open Robotics	N/A (open-source)	3D-Simulationsumgebung für UUV-Tests
REXROV2 UUV Model	UUV Simulator Project	N/A (open-source)	Vordefiniertes UUV-Modell, das für Positionierungsexperimente verwendet wird
Robot Operating System (ROS)	Open Robotics	N/A (open-source)	Middleware für Kommunikation und Steuerung
RViz	Open Robotics	N/A (open-source)	Visualisierungstool für UUV-Modell und Sensordaten
Ubuntu Linux (20.04 LTS)	Canonical Ltd.	N/A	Betriebssystem, das ROS und Gazebo unterstützt
UUV Simulator Package	Norwegian University of Science and Technology (NTNU)	N/A (open-source)	ROS–Gazebo-Unterwassersimulationsframework