SLAM visual mejorado y planificación de rutas para la navegación autónoma de robots móviles con ruedas

Resumen

Este estudio presenta un enfoque para mejorar la navegación autónoma en interiores WMR mediante la optimización de SLAM visual y algoritmos de planificación de rutas. Integra la fusión multisensor, mejora la extracción de características y aplica técnicas de optimización de trayectoria para una mejor localización, evitación de obstáculos y caminos más suaves, demostrando un rendimiento superior en entornos reales y simulados.

Resumen

Esta investigación se centra en tecnologías importantes utilizadas en la navegación autónoma de robots móviles con ruedas, como la optimización de la planificación de rutas, la integración de sistemas y los avances en las técnicas de localización y mapeo visual simultáneo (SLAM). Se sugiere un enfoque mejorado para superar los problemas de localización en la odometría visual tradicional provocados por puntos característicos duplicados o distribuidos de manera desigual. Este enfoque combina la coincidencia de características de perspectiva y punto eficiente (EPNP), la optimización de la pose del punto más cercano iterativo (ICP) y la administración de características basada en cuatro árboles. Según los hallazgos experimentales, el método sugerido aumenta en gran medida la precisión y la estabilidad de la localización. Se desarrolla una técnica de reconstrucción de nubes de puntos densas basada en datos RGB-D para mejorar la integridad y el detalle de la representación ambiental, al tiempo que mitiga la escasez que a menudo se observa en los mapas de nubes de puntos producidos por sistemas SLAM convencionales. Con el fin de mejorar la calidad de la ruta y la eficiencia computacional, se presenta un método mejorado de árbol aleatorio de exploración rápida (RRT), que incorpora la gestión adaptativa del tamaño de los pasos, el sesgo de objetivos y el suavizado de rutas basado en B-spline. Además, la evitación de obstáculos locales en tiempo real en situaciones dinámicas es posible gracias a la integración del algoritmo de banda elástica cronometrada (TEB). Las pruebas exhaustivas del mundo real han confirmado la utilidad de las soluciones sugeridas en términos de eficiencia, robustez y aplicabilidad práctica después de que se implementaron en una plataforma experimental basada en el Sistema Operativo del Robot (ROS).

Introducción

El potencial y los patrones de aplicación de la robótica están experimentando un período de rápida transformación, impulsado por los avances en las tecnologías de inteligencia artificial. En los últimos años, la localización y mapeo simultáneos visuales (SLAM visual) y su extensión a los sistemas de navegación visual-inercial (VINS) han logrado avances sustanciales en términos de robustez y precisión de localización¹. Para mejorar la confiabilidad de inicialización en condiciones desafiantes como baja textura y poca iluminación, Campos et al. propuso ORB-SLAM3, que introduce un sistema de mapas múltiples y una inicialización mejorada para sistemas visuales y visuales-inerciales². Para mejorar la coincidencia de características en escenarios desafiantes, DeTone et al. desarrollaron SuperPoint, un método autosupervisado de detección y descripción de puntos de interés³, mientras que Sarlin et al. crearon SuperGlue, un comparador de características basado en redes neuronales gráficas que maneja condiciones visuales difíciles⁴. Para la reconstrucción 3D densa, Dai et al. propusieron BundleFusion, un sistema de reconstrucción 3D globalmente consistente en tiempo real que utiliza la reintegración de superficies sobre la marcha para manejar entornos a gran escala y cierres de bucles⁵.

En el campo de la planificación de rutas, los árboles aleatorios de exploración rápida (RRT) y sus variantes siguen siendo ampliamente adoptados para la planificación del movimiento robótico. El algoritmo fundamental de RRT fue introducido por primera vez por LaValle como una nueva herramienta para la planificación de rutas, proporcionando un método eficiente basado en muestreo para resolver problemas complejos de alta dimensión⁶. Esto fue significativamente avanzado por Karaman y Frazzoli, quienes desarrollaron el algoritmo RRT* que proporciona garantías de optimalidad asintótica en la planificación del movimiento⁷. Sobre la base de estos algoritmos centrales, la investigación moderna se ha centrado en enfoques híbridos que combinan métodos basados en muestreo con otras técnicas. Por ejemplo, Rösmann et al. desarrollaron el método de banda elástica cronometrada (TEB), que permite la generación de trayectorias óptimas localmente y se ha integrado ampliamente con los planificadores globales⁸. De manera similar, el enfoque de ventana dinámica (DWA) introducido por Fox et al. proporciona un método efectivo para evitar obstáculos locales en entornos dinámicos⁹.

A nivel de planificación local y percepción semántica, Chen et al. propusieron una estrategia de planificación de rutas informativas conscientes de la semántica para microvehículos aéreos (MAV), mejorando tanto la eficiencia de búsqueda como la seguridad durante la exploración del objetivo¹⁰. Kabiri et al. integraron las mediciones de tiempo de llegada (ToA) 5G en un marco VINS para permitir la fusión SLAM global-local, mejorando efectivamente la precisión de la localización en entornos con cobertura GNSS limitada¹¹. Para facilitar el mapeo en tiempo real de alta frecuencia, Xu et al. desarrollaron FAST-LIO2, un método de odometría LiDAR-IMU estrechamente acoplado capaz de producir mapas 3D precisos y densos¹². Para la planificación de trayectorias en entornos complejos, Gammell et al. introdujeron un método de TRR informado* que incorpora el crecimiento bidireccional de árboles y el muestreo adaptativo, mejorando significativamente la calidad de la trayectoria y la eficiencia de búsqueda en entornos dinámicos¹³. Además, para escenarios de paso estrecho, Coleman et al. presentaron un método de planificación de movimiento basado en muestreo con muestreo de probabilidad variable, que mejora las tasas de éxito de la planificación y la eficiencia computacional¹⁴.

El presente estudio aborda los desafíos fundamentales en la navegación autónoma en interiores para robots móviles con ruedas (WMR) al mejorar tanto la estrategia de planificación de rutas como el front-end SLAM. Específicamente, el sistema propuesto está diseñado para entornos interiores estructurados típicos, como laboratorios y pasillos, que operan en condiciones con iluminación moderada y acceso GNSS mínimo. El sistema de navegación utiliza principalmente una cámara RGB-D estéreo, una unidad de medición inercial (IMU) y codificadores de rueda, con todos los sensores configurados para muestrear a no menos de 20 Hz. Para garantizar un rendimiento fiable del sistema, la velocidad máxima del robot está limitada a menos de 1,5 m/s. Las siguientes son las contribuciones clave:

Se ha desarrollado una plataforma de navegación autónoma de fusión multisensor para robots móviles con ruedas (WMR) utilizando una cámara de profundidad como sensor principal. Para lograr una localización precisa y evitar obstáculos de manera eficiente en entornos interiores típicos, el sistema integra odometría de rueda y una unidad de medición inercial (IMU). La sinergia entre estos componentes juega un papel fundamental en la mejora del rendimiento general de la navegación.

La combinación de algoritmos EPnP e ICP con una técnica de extracción de características basada en quadtree ha ayudado a mejorar el módulo de seguimiento en ORB-SLAM2. Estos desarrollos se derivan de una mayor precisión y solidez en el seguimiento.

Se propone un nuevo método de planificación de rutas que enfatiza la optimización de la trayectoria. Se basa en una técnica RRT mejorada con sesgo de objetivos y tamaños de paso ajustables y utiliza curvas B-spline para suavizar la trayectoria. El algoritmo TEB también se incluye para gestionar la evitación de obstáculos en entornos dinámicos.

El rendimiento del sistema se confirma mediante pruebas y simulaciones en el mundo real. Los entornos interiores típicos permiten el análisis cuantitativo y cualitativo para evaluar la precisión del mapa, la calidad de la ruta y el rendimiento de la navegación. En términos de robustez, procesamiento en tiempo real y suavidad de trayectoria, el enfoque propuesto supera a las soluciones actuales.

Protocolo

1. Plataforma de hardware

1. Prepare la plataforma de robot móvil de accionamiento diferencial de dos ruedas adecuada para la navegación en interiores (consulte la Figura 1). Esta plataforma utiliza dos ruedas accionadas independientemente alineadas a lo largo del centro del chasis y ruedas giratorias pasivas en la parte delantera y trasera para garantizar el equilibrio mecánico y la maniobrabilidad.
2. Monte las ruedas motrices diferenciales a lo largo del eje longitudinal central del chasis. Use un destornillador hexagonal para alinear y sujetar los ejes de las ruedas en los cubos del motor. Asegúrese de que las ruedas estén firmemente sujetas pero giren libremente sin que se tambalee el eje. Verifique que ambas ruedas estén alineadas con precisión para mantener el movimiento en línea recta y una odometría precisa.
3. Instale las ruedas giratorias delanteras y traseras en ambos extremos del chasis para proporcionar soporte mecánico durante los giros. Una mala alineación puede provocar inestabilidad o inclinación durante los cambios de dirección a alta velocidad.
4. Monte una cámara de profundidad de luz estructurada en el panel frontal superior del chasis. Utilice un soporte ajustable o un soporte adhesivo para fijar la cámara de forma segura. Oriéntelo de manera que el campo de visión cubra aproximadamente de 0,3 m a 3,0 m por delante del robot.
5. Conecte los módulos del proyector y receptor de infrarrojos a la carcasa de la cámara, asegurándose de que todos los centros ópticos estén correctamente alineados. Ajuste el ángulo de inclinación de la cámara para optimizar la percepción de profundidad.
6. Incline la cámara hacia abajo 15°-30° con el soporte ajustable. Asegúrese de que ninguna parte del chasis obstruya el patrón IR proyectado. Este ángulo ayuda a capturar características del terreno de campo cercano y evitar puntos ciegos.
7. Verifique la salida de profundidad en tiempo real de la cámara utilizando software de visualización como RViz (versión 1.14.1). Inicie el nodo de la cámara y observe el flujo de imágenes de profundidad. Conecte la cámara de profundidad a la unidad de microcontrolador (MCU) montada en el centro del chasis.
   NOTA: Asegúrese de que la alimentación esté apagada durante todas las conexiones. Mantenga los cables organizados y alejados de las piezas móviles para evitar que se enreden durante el movimiento.

2. Optimización de ORB-SLAM2 para mapeo de interiores

1. Prepare el entorno ORB-SLAM2. Calibre la cámara (RGB-D) utilizando herramientas de calibración ROS estándar. Configure el archivo de inicio para especificar los temas de la cámara, la resolución (por ejemplo, 640 x 480) y la velocidad de fotogramas (por ejemplo, 30 fps). Inicie el sistema SLAM usando: xtark@tarkbot: $ roslaunch robot_platform slam map.launch slam _methods:=gmapping. Verifique la transmisión de la cámara en vivo y los mensajes de inicialización de SLAM en el terminal. Los fotogramas clave deben aparecer después de que comience el movimiento.
2. Modifique ORB-SLAM2 para admitir el mapeo denso. Amplíe el módulo de asignación predeterminado para incluir un subproceso de reconstrucción denso que procese los datos de profundidad de los fotogramas clave.
3. Para cada fotograma clave seleccionado: extraiga imágenes RGB y de profundidad sincronizadas, convierta píxeles de profundidad en puntos 3D utilizando los elementos intrínsecos de la cámara y fusione las nubes de puntos acumuladas en los fotogramas clave utilizando la información de pose. Subdivide recursivamente cualquier región con más de un punto clave en cuatro cuadrantes. Continúe hasta que cada nodo hoja contenga como máximo un punto clave dominante o hasta que el tamaño de la región sea inferior a 10 x 10 píxeles.
4. Mejore la distribución de características mediante un árbol cuádruple (consulte la Figura 2). Modifique el módulo de extracción de entidades ORB para incluir una estrategia de partición espacial basada en cuatro árboles. Divida la imagen en regiones de cuadrícula jerárquica, aplique la detección de esquinas FAST en cada región y conserve solo la característica más destacada por región para garantizar una cobertura espacial uniforme.
5. En cada región válida, seleccione el candidato con la respuesta de mayor prominencia como característica representativa.
6. Mejore la estimación de la pose con EPnP. Reemplace la estimación de pose predeterminada (por ejemplo, métodos iterativos) con el algoritmo Efficient Perspective-n-Point (EPnP) utilizando solvePnP de OpenCV. Utilice características de imagen 2D y sus correspondientes puntos de mapa 3D para resolver la pose de la cámara.
7. Implemente, visualice y controle el robot. Asigne una dirección IP estática al sistema integrado del robot para una comunicación estable (por ejemplo, ROBOT IP: 172.20.10.13). En la PC host, abra RViz (v1.14.1) y cargue la configuración para visualizar la trayectoria del robot, los mapas de nubes de puntos dispersos y densos, los fotogramas clave y las características detectadas.
8. Controle manualmente el robot usando las teclas de flecha del teclado para navegar por el espacio para el mapeo. Asegúrese de que la línea de trayectoria aparezca en RViz y que los fotogramas de pose de la cámara se actualicen en tiempo real.
   NOTA: La Figura 3 ilustra la distribución del teclado para el control manual del robot durante la asignación.

3. Procesamiento de puntos de características mediante el algoritmo de Quadtree

1. Realice la extracción de características ORB como se describe a continuación.
   1. Cargue la imagen de entrada desde un tema de imagen ROS o un conjunto de datos local mediante OpenCV (versión 4.5.3).
   2. Construya una pirámide gaussiana con cuatro niveles, divida la imagen en celdas de cuadrícula uniformes (8 x 8 celdas por nivel). Dentro de cada celda, aplique el detector FAST con un umbral de 20 para identificar los puntos clave locales.
2. Construya un refinamiento de características basado en cuatro árboles como se describe a continuación.
   1. Para cada conjunto de puntos clave en un nivel de pirámide determinado, construya una estructura de árbol cuádruple: Comience con la imagen completa como nodo raíz. Subdivida recursivamente cualquier región con más de un punto clave en cuatro cuadrantes. Continúe hasta que cada nodo hoja contenga como máximo un punto clave dominante o el tamaño de la región sea inferior a 10 x 10 píxeles.
3. Aplique la evaluación de la prominencia de las características como se describe a continuación.
   1. Evalúe la prominencia de cada punto clave candidato dentro de un nodo usando Ecuación:
      (1)
      donde I_p es el valor de intensidad del píxel central en una vecindad local e I_i representa los valores de intensidad de sus 16 píxeles vecinos. La diferencia absoluta |I_p - I_i| Mide el contraste local entre el píxel central y cada vecino. La suma de los 16 vecinos proporciona una medida del contraste local general o la intensidad de la textura alrededor del píxel central.
   2. Clasifique a todos los candidatos mediante una cola de prioridad dinámica ordenada por la puntuación de prominencia. En cada región válida, seleccione el candidato con la respuesta de mayor prominencia como característica representativa.
4. Optimizar y validar la selección de características
   1. Combine todas las entidades seleccionadas en los niveles de pirámide. Garantice una cobertura espacial uniforme en toda la imagen. Almacene los puntos de características finales y sus descriptores utilizando el extractor de descriptores ORB, versión alineada con OpenCV.
   2. Compruebe que las entidades no estén agrupadas en algunas áreas de imagen. Los puntos de entidad deben mostrar una distribución espacial uniforme, lo que admite un seguimiento sólido. Evite ejecutar el procesamiento de imágenes en un sistema de robot físico mientras está en movimiento. Asegúrese de que la transmisión de la cámara sea estable y que el espacio de trabajo esté despejado.

4. Estimación de poses usando EPnP

1. Establezca correspondencias 2D-3D seleccionando al menos cuatro pares coincidentes de puntos de mapa 3D (en coordenadas mundiales) y sus correspondientes puntos clave de imagen 2D. Asegúrese de que estas correspondencias se extraen de coincidencias de características ORB válidas obtenidas en el subproceso de seguimiento.
2. Resuelve la pose inicial con EPnP. Continúe hasta que cada nodo hoja contenga como máximo un punto clave dominante o el tamaño de la región sea inferior a 10 x 10 píxeles. Utilice la función solvePnP de OpenCV con el indicador cv::SOLVEPNP_EPNP para estimar la pose de la cámara.

5. Refinamiento de pose fina con ICP

1. Realice el muestreo de nubes de puntos como se describe a continuación.
   1. Reduzca la resolución de la nube de puntos de origen para reducir la carga computacional y eliminar los datos redundantes.
   2. Utilice un muestreo uniforme para garantizar que las entidades estructurales se conserven de manera uniforme en todas las direcciones. Si es necesario, aplique el filtrado de cuadrícula de vóxel o la selección aleatoria en función de las características de densidad y ruido de la nube de puntos de entrada. Asegúrese de que la nube filtrada conserve los contornos de los objetos y reduzca el recuento total de puntos en al menos un 50%.
2. Haga coincidir los puntos correspondientes construyendo un árbol KD a partir de la nube de puntos de destino para permitir búsquedas eficientes del vecino más cercano. Para cada punto de la nube de puntos de origen muestreada hacia abajo, encuentre su punto más cercano en la nube de destino utilizando el árbol KD. Garantice la precisión en la coincidencia de puntos, ya que este paso afecta críticamente al rendimiento del registro.
3. Calcule la transformación óptima como se describe a continuación.
   1. Utilice los pares de puntos coincidentes para calcular una matriz de transformación de cuerpo rígido, incluida la rotación y la traslación.
   2. Calcule la transformación rígida óptima entre los pares de puntos coincidentes minimizando el error cuadrático medio (MSE) a través de la descomposición de valores singulares (SVD) de la matriz de covarianza cruzada, que produce la matriz de rotación directamente, seguida del cálculo del vector de traslación basado en los centroides rotados.
4. Aplique la transformación calculada a la nube de puntos de origen y actualice todas las coordenadas de puntos. Repita el proceso de estimación de transformación y coincidencia de puntos de forma iterativa. Continúe iterando hasta que el error de registro caiga por debajo de un umbral predefinido o se alcance el número máximo de iteraciones.

6. Construcción de mapas de nubes de puntos densas

1. Construya un mapa de nube de puntos 3D denso para lograr una representación precisa y detallada de los entornos interiores. Siga los pasos (consulte la figura 4) que se describen a continuación.
2. Extraiga datos RGB y de profundidad de fotogramas clave. Seleccione fotogramas clave en función de la riqueza visual y la cobertura espacial. De cada fotograma clave seleccionado, extraiga tanto la imagen RGB como el mapa de profundidad alineado correspondiente del sensor RGB-D.
3. Convierta píxeles de imagen en coordenadas de cámara 3D. Para cada píxel de profundidad válido, proyecte el píxel 2D en el espacio 3D utilizando los parámetros intrínsecos de la cámara. Este proceso genera coordenadas 3D en el sistema de coordenadas de la cámara.
4. Transforma las coordenadas de la cámara en coordenadas mundiales. Recupere la pose de cámara optimizada de ORB-SLAM2 para cada fotograma clave. Utilice la pose de la cámara para transformar las coordenadas de la cámara 3D en el sistema de coordenadas universales, alineando todas las nubes de puntos en una referencia global común.
5. Genere puntos 3D coloreados. Para cada punto 3D transformado, asigne el valor RGB correspondiente de la imagen original. Esto da como resultado una nube de puntos coloreada que captura tanto la geometría como la apariencia.
6. Combine nubes de puntos de todos los fotogramas clave. Acumule todas las nubes de puntos transformadas y coloreadas en un mapa de nube de puntos global unificado. Asegúrate de que la alineación sea correcta utilizando las poses de cámara asociadas a cada fotograma clave.
7. Registre y perfeccione el mapa final utilizando PCL. Utilice la biblioteca de nubes de puntos (PCL) para refinar el mapa final. Aplique filtrado para eliminar el ruido y reduzca el muestreo para mejorar la eficiencia. Realice un registro global (por ejemplo, usando ICP) para ajustar la alineación entre las nubes de puntos si es necesario (consulte la Figura 5).
   NOTA: Como se muestra en la Figura 6, la alineación inicial de la nube de puntos durante la fase de inicialización de mapeo denso puede exhibir una desalineación transitoria debido a los datos de observación limitados, que convergen rápidamente a medida que se incorporan puntos de vista adicionales. Al controlar el robot para atravesar el entorno, se puede obtener un modelo tridimensional completo.

7. Genere un mapa de cuadrícula de ocupación a partir de nubes de puntos derivadas de VSLAM

1. Muestree hacia abajo la nube de puntos densa global. Aplique el filtrado de cuadrícula de vóxel utilizando una resolución de vóxel de 0,05 m para reducir la redundancia y definir la resolución espacial para la construcción de la cuadrícula.
2. Proyecte puntos 3D en una cuadrícula de ocupación 2D. Proyecte todos los puntos 3D en el plano horizontal (x-y). Discretice el espacio en celdas de cuadrícula uniformes, cada una de las cuales representa un cuadrado de 0,05 m x 0,05 m en el mundo real.
3. Estimar las probabilidades de ocupación. Utilice un modelo de sensor inverso para calcular la probabilidad de ocupación de cada celda en función de la densidad de puntos y el trazado de rayos simulado.
   1. Establezca el umbral de probabilidad ocupado en 0,65. Establezca el umbral de probabilidad libre en 0,35. Clasifique las celdas de cuadrícula con valores intermedios como desconocidas.
4. Aplique el inflado de obstáculos. Infle las regiones ocupadas aplicando un núcleo circular con un radio de 0,2 m para tener en cuenta el espacio libre del robot y los márgenes de seguridad.
5. Exporte el mapa de ocupación. Guarde el mapa de cuadrícula de ocupación generado en el formato Portable GrayMap, acompañado de un archivo de metadatos m.yaml correspondiente, para garantizar la compatibilidad con los sistemas de navegación basados en ROS.

8. Mejora de la estrategia de planificación de trayectos mundiales (basada en el algoritmo RRT)

1. Inicialice el árbol de rutas. Establezca la posición inicial del robot como el nodo raíz del árbol. Muestree aleatoriamente puntos en el espacio de configuración (estado) para explorar nuevas áreas.
2. Identifique el nodo existente más cercano. Para cada punto aleatorio recién muestreado, calcule la distancia euclidiana a todos los nodos existentes. Seleccione el nodo con la distancia mínima como el nodo más cercano para que sirva como base de expansión.
3. Genere un nuevo nodo hacia la muestra aleatoria. Cree un vector unitario direccional desde el nodo más cercano hacia el punto muestreado. Mueva un paso fijo (inicialmente) a lo largo de esta dirección para formar un nuevo nodo y conectarlo al árbol.
4. Reemplace el tamaño de paso fijo con un mecanismo adaptativo. En lugar de utilizar un tamaño de paso constante, ajuste dinámicamente la longitud del paso en función de la densidad de obstáculos local. Utilice pasos más grandes en entornos abiertos para acelerar la expansión de árboles. En regiones desordenadas o estrechas, reduzca el tamaño del escalón para mejorar el control y la evitación de obstáculos.
5. Calcule el tamaño del paso adaptable en tiempo real como se describe a continuación.
   1. Utilice datos de sensores (por ejemplo, LiDAR o cámara de profundidad) para estimar la densidad de obstáculos alrededor de la región actual.
   2. Si el número de obstáculos detectados es bajo, aumente ligeramente el tamaño del paso. Si los obstáculos son densos, reduzca el tamaño del escalón proporcionalmente para insertar más nodos intermedios para un recorrido seguro.
6. Repita el proceso de expansión. Continúe con el muestreo, la búsqueda del nodo más cercano y la generación de nuevos nodos mediante el tamaño de paso adaptable.
7. Aplique curvas B-spline para suavizar. Reemplace los segmentos de polilínea en la ruta RRT por una curva B-spline continua para mejorar la suavidad. Seleccione puntos de control a lo largo de la ruta RRT original, generalmente en puntos de giro o puntos clave. Construya un polígono de control conectando estos puntos de control en secuencia.
8. Genere la curva B-spline. Utilice la fórmula estándar B-spline¹⁵:
   (2)
   Esta fórmula se utiliza en curvas B-spline, donde la curva final C(u) es una combinación ponderada de los puntos de control. Los pesos están determinados por las funciones base B-spline N_i,k (u), que aseguran que la curva sea suave y siga la forma general definida por los puntos de control.
9. Establezca el grado de la curva en 3 (cúbico), lo que garantiza la continuidad (suavizar la primera y la segunda derivadas). Utilice el módulo de planificación de rutas escrito en PyCharm 2024.3.

9. Optimización de la trayectoria local con TEB modificado

1. Introduzca la restricción de distancia más corta como se describe a continuación.
   1. Para mitigar estos inconvenientes, integre una restricción de distancia más corta en el marco TEB.
   2. Defina la restricción como la distancia euclidiana entre la posición actual del robot S_t y una pose futura S_{i + n} a lo largo de la trayectoria:
      (3)
      Esta restricción penaliza las desviaciones ineficientes al alentar a que el camino permanezca cerca del borde del corredor de camino global, mejorando la calidad y la seguridad de la planificación.
2. Integre la restricción en la función de coste de TEB modificando el gráfico de optimización de TEB original para incluir la restricción de distancia como una arista adicional. Ajuste la función de costo total para incluir un término ponderado para los_fos, equilibrando la suavidad, la viabilidad y la eficiencia energética.
3. Integrar la restricción en la función de coste TEB. Durante la optimización, resuelva los puntos de trayectoria que minimizan el costo total, incluida la velocidad, la aceleración, la eliminación de obstáculos y el plazo de distancia más corta agregado. Utilice el solucionador subyacente de TEB para optimizar iterativamente la trayectoria en N intervalos de tiempo. Optimice la ruta teniendo en cuenta la restricción (consulte la Figura 7).

Resultados

Evaluación de ORB-SLAM2 mejorado
Experimento de extracción de características
Para evaluar la efectividad de una cámara de profundidad RGB-D en escenarios prácticos, se realizó un experimento de extracción de puntos característicos. La prueba se diseñó utilizando dos entornos de fondo distintos, cada uno de los cuales varía en color y brillo del objeto para simular la complejidad visual del mundo real.

Tanto el método de extracción mejorado propuesto co...

Discusión

Las dos tecnologías clave en los sistemas autónomos de navegación interior para robots móviles con ruedas que son el foco de este estudio son la localización y mapeo simultáneo visual (SLAM)^16,17 y la planificación de rutas¹⁸. El módulo SLAM propone un método de selección jerárquica basado en cuatro árboles para corregir la distribución desigual de puntos de características de ORB-SLAM2. Para mejorar la pr...

Materiales

Lista de materiales utilizados en este artículo

Nombre	Empresa	Número de catálogo	Comentarios
Cámara 3D Astra Pro Plus	CRBBEC	Ninguno	Cámara 3D
TARKBOT-R20-TWD	Ninguno	Ninguno	ROS Robot