מאמר שיטה

SLAM ויזואלי משופר ותכנון נתיבים לניווט אוטונומי של רובוטים ניידים על גלגלים

DOI:

10.3791/68794

⸱

3 באוקטובר 2025

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

במאמר זה

סיכום

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

מחקר זה מציג גישה לשיפור הניווט האוטונומי בפנים WMR על ידי אופטימיזציה של אלגוריתמים חזותיים של SLAM ותכנון נתיבים. הוא משלב היתוך מרובה חיישנים, משפר את חילוץ התכונות ומיישם טכניקות אופטימיזציה של מסלול ללוקליזציה טובה יותר, הימנעות ממכשולים ונתיבים חלקים יותר, ומדגים ביצועים מעולים בעולם האמיתי ובסביבות מדומות.

תקציר

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

מחקר זה מתמקד בטכנולוגיות חשובות המשמשות בניווט אוטונומי של רובוט נייד על גלגלים, כגון אופטימיזציה של תכנון נתיבים, שילוב מערכות והתקדמות בטכניקות לוקליזציה ומיפוי סימולטני חזותי (SLAM). מוצעת גישה משופרת כדי להתגבר על בעיות לוקליזציה במרחקים חזותיים מסורתיים הנגרמות על ידי נקודות תכונה משוכפלות או מפוזרות בצורה לא אחידה. גישה זו משלבת התאמת תכונות Effective Perspective-n-Point (EPNP), אופטימיזציה איטרטיבית של תנוחות הנקודה הקרובה ביותר (ICP) וניהול תכונות מבוסס quadtree. על פי ממצאי הניסוי, השיטה המוצעת מגדילה מאוד את דיוק ויציבות הלוקליזציה. טכניקת שחזור ענן נקודות צפוף המבוססת על נתוני RGB-D פותחה כדי לשפר את השלמות והפירוט של הייצוג הסביבתי תוך הפחתת הדלילות הנראית לעתים קרובות במפות ענן נקודות המיוצרות על ידי מערכות SLAM קונבנציונליות. על מנת לשפר את איכות הנתיב ואת היעילות החישובית, מוצגת שיטת עץ אקראי (RRT) משופרת לחקירה מהירה, המשלבת ניהול גודל צעד אדפטיבי, הטיית מטרה והחלקת נתיב מבוססת B-spline. יתר על כן, הימנעות ממכשולים מקומיים בזמן אמת במצבים דינמיים מתאפשרת על ידי שילוב של אלגוריתם הרצועה האלסטית המתוזמנת (TEB). בדיקות מקיפות בעולם האמיתי אישרו את התועלת של הפתרונות המוצעים במונחים של יעילות, חוסן וישימות מעשית לאחר שיושמו בפלטפורמה ניסיונית המבוססת על מערכת ההפעלה הרובוטית (ROS).

מבוא

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

הפוטנציאל ודפוסי היישום של הרובוטיקה עוברים תקופה של טרנספורמציה מהירה, המונעת על ידי התקדמות בטכנולוגיות בינה מלאכותית. בשנים האחרונות, לוקליזציה ומיפוי סימולטני חזותי (Visual SLAM) והרחבתו למערכות ניווט חזותיות-אינרציאליות (VINS) עשו התקדמות משמעותית מבחינת חוסן ודיוק לוקליזציה1. כדי לשפר את אמינות האתחול בתנאים מאתגרים כגון מרקם נמוך ותאורה לקויה, קמפוס ועמיתיו הציעו את ORB-SLAM3, המציג מערכת מרובת מפות ואתחול משופר עבור מערכות חזותיות וחזותיות-אינרציאליות2. להתאמת תכונות משופרת בתרחישים מאתגרים, DeTone ואחרים פיתחו את SuperPoint, שיטת זיהוי ותיאור נקודות עניין בפיקוח עצמי3, בעוד שסרלין ועמיתיו יצרו SuperGlue, התאמת תכונות מבוססת רשת עצבית גרף המטפלת בתנאים חזותיים קשים4. עבור שחזור תלת מימד צפוף, דאי ועמיתיו הציעו את BundleFusion, מערכת שחזור תלת מימד עקבית בזמן אמת המשתמשת באינטגרציה מחדש של פני השטח תוך כדי תנועה כדי להתמודד עם סביבות בקנה מידה גדול וסגירת לולאות5.

בתחום תכנון השבילים, חקר מהיר של עצים אקראיים (RRT) והגרסאות שלהם נשארים מאומצים באופן נרחב לתכנון תנועה רובוטי. אלגוריתם ה-RRT הבסיסי הוצג לראשונה על ידי LaValle ככלי חדש לתכנון נתיבים, המספק שיטה יעילה מבוססת דגימה לפתרון בעיות מורכבות בממדים גבוהים6. זה קודם משמעותית על ידי קרמן ופראצולי, שפיתחו את אלגוריתם RRT* המספק ערבויות אופטימליות אסימפטוטיות בתכנון תנועה7. בהתבסס על אלגוריתמי הליבה הללו, המחקר המודרני התמקד בגישות היברידיות המשלבות שיטות מבוססות דגימה עם טכניקות אחרות. לדוגמה, Rösmann et al. פיתחו את שיטת הרצועה האלסטית המתוזמנת (TEB), המאפשרת יצירת מסלול אופטימלי מקומי ושולבה באופן נרחב עם מתכננים גלובליים8. באופן דומה, גישת החלון הדינמי (DWA) שהוצגה על ידי פוקס ועמיתיו מספקת שיטה יעילה להימנעות ממכשולים מקומיים בסביבות דינמיות9.

ברמת התכנון המקומי והתפיסה הסמנטית, צ'ן ועמיתיו הציעו אסטרטגיית תכנון נתיב אינפורמטיבית מודעת סמנטית לכלי טיס זעירים (MAVs), המשפרת הן את יעילות החיפוש והן את הבטיחות במהלך חקר המטרה10. Kabiri et al. שילבו מדידות זמן הגעה (ToA) של 5G לתוך מסגרת VINS כדי לאפשר היתוך SLAM גלובלי-מקומי, ולשפר ביעילות את דיוק הלוקליזציה בסביבות עם כיסוי GNSS מוגבל11. כדי להקל על מיפוי בזמן אמת בתדר גבוה, Xu et al. פיתחו את FAST-LIO2, שיטת מרחק LiDAR-IMU המצומדת, המסוגלת לייצר מפות תלת מימד מדויקות וצפופות12. לתכנון נתיבים בסביבות מורכבות, Gammell et al. הציגו שיטת RRT מושכלת* המשלבת צמיחת עצים דו-כיוונית ודגימה אדפטיבית, ומשפרת משמעותית את איכות הנתיב ויעילות החיפוש בסביבות דינמיות13. בנוסף, עבור תרחישי מעבר צר, קולמן ועמיתיו הציגו שיטת תכנון תנועה מבוססת דגימה עם דגימת הסתברות משתנה, המשפרת את שיעורי ההצלחה של התכנון ואת היעילות החישובית14.

המחקר הנוכחי מתייחס לאתגרים בסיסיים בניווט פנימי אוטונומי עבור רובוטים ניידים על גלגלים (WMR) על ידי שיפור אסטרטגיית תכנון הנתיב והקצה הקדמי של SLAM. באופן ספציפי, המערכת המוצעת מיועדת לסביבות פנימיות מובנות טיפוסיות כגון מעבדות ומסדרונות, הפועלות בתנאים עם תאורה מתונה וגישה מינימלית ל-GNSS. מערכת הניווט משתמשת בעיקר במצלמת RGB-D סטריאו, יחידת מדידה אינרציאלית (IMU) ומקודדי גלגלים, כאשר כל החיישנים מוגדרים לדגימה בלא פחות מ-20 הרץ. כדי להבטיח ביצועי מערכת אמינים, המהירות המרבית של הרובוט מוגבלת מתחת ל-1.5 מטר לשנייה. להלן התרומות העיקריות:

פלטפורמת ניווט אוטונומית היתוך מרובת חיישנים עבור רובוטים ניידים על גלגלים (WMR) פותחה באמצעות מצלמת עומק כחיישן העיקרי. כדי להשיג לוקליזציה מדויקת והימנעות יעילה ממכשולים בסביבות פנימיות טיפוסיות, המערכת משלבת מרחק גלגלים ויחידת מדידה אינרציאלית (IMU). הסינרגיה בין רכיבים אלה ממלאת תפקיד קריטי בשיפור ביצועי הניווט הכוללים.

שילוב של אלגוריתמי EPnP ו-ICP עם טכניקת חילוץ תכונות מבוססת-quadtree עזר למודול המעקב ב-ORB-SLAM2 להשתפר. דיוק וחוסן מעקב טובים יותר נובעים מהתפתחויות אלה.

מוצעת שיטת תכנון נתיב חדשה המדגישה אופטימיזציה של מסלול. הוא מבוסס על טכניקת RRT משופרת עם הטיית מטרה וגדלי צעדים מתכווננים ומשתמש בעקומות B-spline להחלקת מסלול. אלגוריתם TEB כלול גם לניהול הימנעות ממכשולים בסביבות דינמיות.

ביצועי המערכת מאושרים על ידי בדיקות וסימולציות בעולם האמיתי. סביבות פנימיות טיפוסיות מאפשרות ניתוח כמותי ואיכותי כדי להעריך את דיוק המפה, איכות הנתיב וביצועי הניווט. במונחים של חוסן, עיבוד בזמן אמת וחלקות מסלול, הגישה המוצעת מנצחת את הפתרונות הנוכחיים.

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

פרוטוקול

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

1. פלטפורמת חומרה

  1. הכן את פלטפורמת הרובוט הנייד הדו-גלגלי עם הנעה דיפרנציאלית המתאימה לניווט פנימי (ראה איור 1). פלטפורמה זו משתמשת בשני גלגלים מונעים באופן עצמאי המיושרים לאורך מרכז השלדה וגלגלי גלגלים פסיביים מלפנים ומאחור כדי להבטיח איזון מכני ויכולת תמרון.
  2. התקן את גלגלי ההנעה הדיפרנציאליים לאורך ציר האורך המרכזי של השלדה. השתמש במברג משושה כדי ליישר ולהדק את פירי הגלגלים לרכזות המנוע. ודא שהגלגלים מחוברים היטב אך מסתובבים בחופשיות ללא נדנוד צירי. ודא ששני הגלגלים מיושרים במדויק כדי לשמור על תנועה בקו ישר ומרחק מדויק.
  3. התקן את גלגלי הגלגלים הקדמיים והאחוריים בשני קצוות השלדה כדי לספק תמיכה מכנית במהלך סיבובים. יישור לקוי עלול להוביל לחוסר יציבות או הטיה במהלך שינויי כיוון במהירות גבוהה.
  4. התקן מצלמת עומק אור מובנית בפאנל הקדמי העליון של המארז. השתמש בתושבת מתכווננת או בתושבת דביקה כדי להצמיד את המצלמה בצורה מאובטחת. כוון אותו כך ששדה הראייה יכסה כ-0.3 מ' עד 3.0 מ' לפני הרובוט.
  5. חבר את מקרן ה-IR ומודולי המקלט לבית המצלמה, וודא שכל המרכזים האופטיים מיושרים כהלכה. כוונן את זווית הגובה של המצלמה כדי למטב את תפיסת העומק.
  6. הטה את המצלמה כלפי מטה ב-15°-30° באמצעות התושבת המתכווננת. ודא שאף חלק במארז אינו חוסם את דפוס ה-IR המוקרן. זווית זו מסייעת בלכידת מאפייני שטח קרובים והימנעות מכתמים עיוורים.
  7. אמת את פלט העומק בזמן אמת של המצלמה באמצעות תוכנת הדמיה כגון RViz (גרסה 1.14.1). הפעל את צומת המצלמה והתבונן בזרם תמונת העומק. חבר את מצלמת העומק ליחידת המיקרו-בקר (MCU) המותקנת במרכז המארז.
    הערה: ודא שהחשמל כבוי במהלך כל החיבורים. שמור על כבלים מאורגנים והרחק מחלקים נעים כדי למנוע הסתבכות במהלך התנועה.

2. אופטימיזציה של ORB-SLAM2 למיפוי פנים

  1. הכן את סביבת ORB-SLAM2. כייל את המצלמה (RGB-D) באמצעות כלי כיול ROS סטנדרטיים. הגדר את קובץ ההפעלה כדי לציין נושאי מצלמה, רזולוציה (למשל, 640 x 480) וקצב פריימים (למשל, 30 פריימים לשנייה). הפעל את מערכת ה- SLAM באמצעות: xtark@tarkbot: $ roslaunch robot_platform slam map.launch slam _methods:= gmapping. אמת הזנת מצלמה חיה והודעות אתחול SLAM בטרמינל. מסגרות מפתח אמורות להופיע לאחר תחילת התנועה.
  2. שנה את ORB-SLAM2 כדי לתמוך במיפוי צפוף. הרחב את מודול המיפוי המוגדר כברירת מחדל כך שיכלול שרשור שחזור צפוף המעבד נתוני עומק ממסגרות ראשיות.
  3. לכל מסגרת ראשית שנבחרה: חלצו תמונות RGB ועומק מסונכרנות, המירו פיקסלים של עומק לנקודות תלת-ממדיות באמצעות מהות המצלמה, ומזגו ענני נקודות שהצטברו על פני מסגרות ראשיות באמצעות נתוני תנוחות. חלק באופן רקורטיבי כל אזור עם יותר מנקודת מפתח אחת לארבעה רבעים. המשך עד שכל צומת עלה מכיל לכל היותר נקודת מפתח דומיננטית אחת , או שגודל האזור נמוך מ-10 x 10 פיקסלים.
  4. שפר את התפלגות התכונות באמצעות עץ מרובע (ראה איור 2). שנה את מודול חילוץ התכונות של ORB כך שיכלול אסטרטגיית חלוקה מרחבית מבוססת quadtree. חלק את התמונה לאזורי רשת היררכיים, החל זיהוי פינות מהיר בכל אזור ושמור רק את התכונה הבולטת ביותר לכל אזור כדי להבטיח כיסוי מרחבי אחיד.
  5. מכל אזור חוקי, בחר את המועמד עם תגובת הבולטות הגבוהה ביותר כתכונה המייצגת.
  6. שפר את הערכת התנוחות עם EPnP. החלף את הערכת ברירת המחדל של תנוחות (למשל, שיטות איטרטיביות) באלגוריתם Efficient Perspective-n-Point (EPnP) באמצעות solvePnP של OpenCV. השתמש בתכונות תמונה דו-ממדיות ובנקודות המפה התלת-ממדיות המתאימות להן כדי לפתור את תנוחת המצלמה.
  7. פרוס את הרובוט, דמיין אותו ושלוט בו. הקצה כתובת IP סטטית למערכת המשולבת של הרובוט לתקשורת יציבה (למשל, ROBOT IP: 172.20.10.13). במחשב המארח, פתח את RViz (v1.14.1) וטען את התצורה כדי לדמיין את המסלול של הרובוט, מפות ענן נקודות דלילות וצפופות, מסגרות מפתח ותכונות שזוהו.
  8. שלוט ידנית ברובוט באמצעות מקשי החצים של המקלדת כדי לנווט במרחב למיפוי. ודא שקו המסלול מופיע ב-RViz, ומסגרות תנוחת המצלמה מתעדכנות בזמן אמת.
    הערה: איור 3 ממחיש את פריסת המקלדת לשליטה ידנית ברובוט במהלך המיפוי.

3. עיבוד נקודות תכונה באמצעות אלגוריתם Quadtree

  1. בצע חילוץ תכונת ORB כמתואר להלן.
    1. טען את תמונת הקלט מנושא תמונת ROS או ממערך נתונים מקומי באמצעות OpenCV (גרסה 4.5.3).
    2. בנה פירמידה גאוס עם ארבע רמות, חלק את התמונה לתאי רשת אחידים (8 x 8 תאים לכל רמה). בתוך כל תא, החל את גלאי FAST עם סף של 20 כדי לזהות נקודות מפתח מקומיות.
  2. בנה חידוד תכונות מבוסס quadtree כמתואר להלן.
    1. עבור כל קבוצה של נקודות מפתח ברמת פירמידה נתונה, בנה מבנה מרובע: התחל עם התמונה המלאה כצומת השורש. חלק באופן רקורסיבי כל אזור עם יותר מנקודת מפתח אחת לארבעה רבעים. המשך עד שכל צומת עלה מכיל לכל היותר נקודת מפתח דומיננטית אחת , או שגודל האזור נמוך מ- 10 x 10 פיקסלים.
  3. החל הערכת בולטות של תכונות כמתואר להלן.
    1. הערך את הבולטות של כל נקודת מפתח מועמד בתוך צומת באמצעות משוואה:
      figure-protocol-1(1)
      כאשר Ip הוא ערך העוצמה של הפיקסל המרכזי בשכונה מקומית, ו - Ii מייצג את ערכי העוצמה של 16 הפיקסלים השכנים שלו. ההבדל המוחלט |Ip - Ii| מודד את הניגודיות המקומית בין הפיקסל המרכזי לכל שכן. הסכום על כל 16 השכנים מספק מדד לניגודיות המקומית הכוללת או לחוזק המרקם סביב הפיקסל המרכזי.
    2. דרג את כל המועמדים באמצעות תור עדיפות דינאמי הממוין לפי ניקוד הבולטות. מכל אזור חוקי, בחר את המועמד עם תגובת הבולטות הגבוהה ביותר כתכונה המייצגת.
  4. אופטימיזציה ואימות של בחירת תכונות
    1. שלב את כל התכונות שנבחרו על פני רמות פירמידה. הבטח כיסוי מרחבי אחיד על פני התמונה. אחסן את נקודות התכונה הסופיות ואת המתארים שלהן באמצעות מחלץ מתאר ORB, גרסה מיושרת עם OpenCV.
    2. ודא שהתכונות אינן מקובצות בכמה אזורי תמונה. נקודות תכונה צריכות להציג התפלגות מרחבית אחידה, התומכת במעקב חזק. הימנע מביצוע עיבוד תמונה במערכת רובוט פיזית בזמן תנועה. ודא שזרם המצלמה יציב וסביבת העבודה פנויה.

4. הערכת תנוחות באמצעות EPnP

  1. צור התכתבויות דו-ממדיות-תלת-ממדיות על ידי בחירת לפחות ארבעה זוגות תואמים של נקודות מפה תלת-ממדיות (בקואורדינטות עולם) ונקודות המפתח המתאימות לתמונה הדו-ממדית שלהן. ודא שהתכתבויות אלה מחולצות מהתאמות תקפות של תכונות ORB המתקבלות בשרשור המעקב.
  2. פתור תנוחה ראשונית עם EPnP. המשך עד שכל צומת עלה מכיל לכל היותר נקודת מפתח דומיננטית אחת , או שגודל האזור נמוך מ- 10 x 10 פיקסלים. השתמש בפונקציית solvePnP של OpenCV עם הדגל cv::SOLVEPNP_EPNP כדי להעריך את תנוחת המצלמה.

5. חידוד תנוחות עדינות עם ICP

  1. בצע דגימת ענן נקודות כמתואר להלן.
    1. דגימת הפחתה של ענן נקודות המקור כדי להפחית את העומס החישובי ולהסיר נתונים מיותרים.
    2. השתמש בדגימה אחידה כדי להבטיח שהתכונות המבניות נשמרות באופן שווה לכל הכיוונים. במידת הצורך, החל סינון רשת ווקסל או בחירה אקראית על סמך הצפיפות ומאפייני הרעש של ענן נקודת הקלט. ודא שהענן המסונן שומר על קווי המתאר של האובייקטים תוך הפחתת ספירת הנקודות הכוללת ב-50% לפחות.
  2. התאם את הנקודות המתאימות על-ידי בניית KD-Tree מענן נקודות היעד כדי לאפשר חיפושים יעילים של השכנים הקרובים ביותר. עבור כל נקודה בענן נקודות המקור שנדגמו למטה, מצא את הנקודה הקרובה ביותר שלה בענן היעד באמצעות KD-Tree. ודא דיוק בהתאמת נקודות, מכיוון ששלב זה משפיע באופן קריטי על ביצועי הרישום.
  3. הערך את הטרנספורמציה האופטימלית כמתואר להלן.
    1. השתמש בזוגות הנקודות המותאמים כדי לחשב מטריצת טרנספורמציה של גוף קשיח, כולל סיבוב ותרגום.
    2. חשב את הטרנספורמציה הנוקשה האופטימלית בין זוגות הנקודות המותאמות על ידי מזעור השגיאה הריבועית הממוצעת (MSE) באמצעות פירוק ערך יחיד (SVD) של מטריצת השונות הצולבת, המניבה את מטריצת הסיבוב ישירות, ואחריה חישוב וקטור התרגום על סמך המרכזים המסובבים.
  4. החל את הטרנספורמציה המחושבת על ענן נקודות המקור ועדכן את כל קואורדינטות הנקודות. חזור על תהליך התאמת הנקודות והערכת הטרנספורמציה באופן איטרטיבי. המשך לחזור עד ששגיאת הרישום תיפול מתחת לסף מוגדר מראש או עד שתגיע למספר המרבי של איטרציות.

6. בניית מפת ענן נקודות צפופה

  1. בנה מפת ענן נקודות תלת מימדית צפופה כדי להשיג ייצוג מדויק ומפורט של סביבות פנימיות. בצע את השלבים (ראה איור 4) המתוארים להלן.
  2. חלץ נתוני RGB ועומק ממסגרות מפתח. בחר מסגרות ראשיות על סמך עושר חזותי וכיסוי מרחבי. מכל מסגרת ראשית שנבחרה, חלץ הן את תמונת ה-RGB והן את מפת העומק המיושרת המתאימה מחיישן RGB-D.
  3. המרת פיקסלים של תמונה לקואורדינטות של מצלמות תלת-ממדיות. עבור כל פיקסל עומק חוקי, הקרן את הפיקסל הדו-ממדי לתוך מרחב תלת-ממדי באמצעות פרמטרי המצלמה הפנימיים. תהליך זה מייצר קואורדינטות תלת מימד במערכת הקואורדינטות של המצלמה.
  4. הפוך קואורדינטות מצלמה לקואורדינטות עולם. אחזר את תנוחת המצלמה האופטימלית מ-ORB-SLAM2 עבור כל מסגרת מפתח. השתמש בתנוחת המצלמה כדי להפוך את קואורדינטות המצלמה התלת-ממדית למערכת הקואורדינטות העולמית, תוך יישור כל ענני הנקודות בהתייחסות גלובלית משותפת.
  5. יצירת נקודות תלת-ממד צבעוניות. לכל נקודה תלת-ממדית שהשתנתה, הקצו את ערך ה- RGB המתאים מהתמונה המקורית. התוצאה היא ענן נקודות צבעוני הלוכד הן את הגיאומטריה והן את המראה.
  6. מיזוג ענני נקודות מכל המסגרות המרכזיות. צברו את כל ענני הנקודות שעברו טרנספורמציה וצבעוניות למפת ענן נקודות גלובלית מאוחדת. הקפידו על יישור נכון באמצעות תנוחות המצלמה המשויכות לכל מסגרת ראשית.
  7. הירשמו ושפרו את המפה הסופית באמצעות PCL. השתמש בספריית ענן הנקודות (PCL) כדי לחדד את המפה הסופית. החל סינון כדי להסיר רעש ודגימת למטה כדי לשפר את היעילות. בצע רישום גלובלי (למשל, באמצעות ICP) כדי לכוונן את היישור בין ענני נקודות במידת הצורך (ראה איור 5).
    הערה: כפי שמוצג באיור 6, יישור ענן הנקודות הראשוני במהלך שלב אתחול המיפוי הצפוף עשוי להפגין חוסר יישור חולף עקב נתוני תצפית מוגבלים, המתכנסים במהירות עם שילוב נקודות מבט נוספות. על ידי שליטה ברובוט לחצות את הסביבה, ניתן להשיג מודל תלת מימדי שלם.

7. צור מפת רשת תפוסה מענני נקודות שמקורם ב-VSLAM

  1. למטה דגמו את ענן הנקודות הצפוף הגלובלי. החל סינון רשת ווקסל באמצעות רזולוציית ווקסל של 0.05 מ' כדי להפחית את היתירות ולהגדיר את הרזולוציה המרחבית לבניית רשת.
  2. הקרן תלת-ממד מצביע לרשת תפוסה דו-ממדית. הקרן את כל הנקודות התלת-ממדיות על המישור האופקי (xy). הבדיל את המרחב לתאי רשת אחידים, שכל אחד מהם מייצג ריבוע בגודל 0.05 מ' על 0.05 מ' בעולם האמיתי.
  3. הערכת הסתברויות תפוסה. השתמש במודל חיישן הפוך כדי לחשב את הסתברות התפוסה של כל תא על סמך צפיפות נקודה ומעקב קרניים מדומה.
    1. הגדר את סף ההסתברות הכבוש ל-0.65. הגדר את סף ההסתברות החופשית ל-0.35. סיווג תאי רשת עם ערכי ביניים כלא ידועים.
  4. החל ניפוח מכשולים. נפח את האזורים הכבושים על ידי מריחת גרעין עגול ברדיוס של 0.2 מ 'כדי להסביר את מרווח הרובוט ושולי הבטיחות.
  5. ייצא את מפת התפוסה. שמור את מפת רשת התפוסה שנוצרה בפורמט Portable GrayMap, מלווה בקובץ מטא נתונים m.yaml מתאים, כדי להבטיח תאימות למערכות ניווט מבוססות ROS.

8. אסטרטגיית תכנון נתיב גלובלית משופרת (מבוססת על אלגוריתם RRT)

  1. אתחול עץ הנתיבים. הגדר את מיקום ההתחלה של הרובוט כצומת השורש של העץ. דגימה אקראית של נקודות במרחב התצורה (מצב) כדי לחקור אזורים חדשים.
  2. זהה את הצומת הקיים הקרוב ביותר. עבור כל נקודה אקראית שנדגמה לאחרונה, חשב את המרחק האוקלידי לכל הצמתים הקיימים. בחר את הצומת עם המרחק המינימלי כצומת הקרוב ביותר שישמש כבסיס ההרחבה.
  3. צור צומת חדש לכיוון הדגימה האקראית. צור וקטור יחידה כיוונית מהצומת הקרוב ביותר לכיוון הנקודה שנדגמה. הזז צעד קבוע (בתחילה) לאורך כיוון זה כדי ליצור צומת חדש ולחבר אותו לעץ.
  4. החלף את גודל הצעד הקבוע במנגנון אדפטיבי. במקום להשתמש בגודל צעד קבוע, התאם באופן דינמי את אורך הצעד בהתבסס על צפיפות המכשול המקומית. השתמש בשלבים גדולים יותר בסביבות פתוחות כדי להאיץ את הרחבת העצים. באזורים עמוסים או צרים, צמצם את גודל הצעד כדי לשפר את השליטה והימנעות ממכשולים.
  5. חשב את גודל הצעד המסתגל בזמן אמת כמתואר להלן.
    1. השתמש בנתוני חיישנים (למשל, LiDAR או מצלמת עומק) כדי להעריך את צפיפות המכשולים סביב האזור הנוכחי.
    2. אם מספר המכשולים שזוהו נמוך, הגדל מעט את גודל המדרגה. אם המכשולים צפופים, צמצם את גודל הצעד באופן פרופורציונלי כדי להכניס צמתי ביניים נוספים לחצייה בטוחה.
  6. חזור על תהליך ההרחבה. המשך בדגימה, בחיפוש הצומת הקרוב ביותר וביצירת צמתים חדשים באמצעות גודל הצעד המסתגל.
  7. החל עקומות B-spline להחלקה. החליפו את מקטעי הפוליליין בנתיב RRT בעקומת B-spline רציפה כדי לשפר את החלקות. בחרו נקודות בקרה לאורך נתיב RRT המקורי, בדרך כלל בנקודות מפנה או בנקודות ציון מרכזיות. בנה מצולע בקרה על ידי חיבור נקודות בקרה אלה ברצף.
  8. צור את עקומת B-spline. השתמש בנוסחת B-splineהסטנדרטית 15:
    figure-protocol-2(2)
    נוסחה זו משמשת בעקומות B-spline, כאשר העקומה הסופית C(u) היא שילוב משוקלל של נקודות הבקרה. המשקולות נקבעות על ידי פונקציות הבסיס B-spline Ni,k (u), המבטיחות שהעקומה חלקה ועוקבת אחר הצורה הכללית המוגדרת על ידי נקודות הבקרה.
  9. הגדר את דרגת העקומה ל- 3 (מעוקב), מה שמבטיח המשכיות (נגזרות ראשונות ושניות חלקות). השתמש במודול תכנון הנתיב שנכתב ב-PyCharm 2024.3.

9. אופטימיזציה של מסלול מקומי עם TEB שונה

  1. הציגו את מגבלת המרחק הקצר ביותר כמתואר להלן.
    1. כדי להפחית את החסרונות הללו, שלב אילוץ מרחק קצר ביותר במסגרת TEB.
    2. הגדר את האילוץ כמרחק האוקלידי בין המיקום הנוכחי של הרובוט St לבין תנוחה עתידית Si+n לאורך המסלול:
      figure-protocol-3(3)
      אילוץ זה מעניש סטיות לא יעילות על ידי עידוד הנתיב להישאר קרוב לקצה מסדרון הנתיב הגלובלי, ומשפר את איכות התכנון והבטיחות.
  2. שלב אילוץ בפונקציית העלות של TEB על ידי שינוי גרף האופטימיזציה המקורי של TEB כך שיכלול את אילוץ המרחק כקצה נוסף. התאם את פונקציית העלות הכוללת כך שתכלול מונח משוקלל עבור fos, איזון חלקות, היתכנות ויעילות אנרגטית.
  3. שלב אילוץ בפונקציית העלות של TEB. במהלך האופטימיזציה, פתור נקודות מסלול שממזערות את העלות הכוללת, כולל מהירות, תאוצה, פינוי מכשולים וטווח המרחק הקצר ביותר שנוסף. השתמש בפותר הבסיסי של TEB כדי לבצע אופטימיזציה איטרטיבית של המסלול על פני N מרווחי זמן. מטב את הנתיב בהתחשב באילוץ (ראה איור 7).

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

תוצאות

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

הערכה של ORB-SLAM2 משופר
ניסוי חילוץ תכונות
כדי להעריך את היעילות של מצלמת עומק RGB-D בתרחישים מעשיים, נערך ניסוי חילוץ נקודת תכונה. המבחן תוכנן באמצעות שתי סביבות רקע נפרדות, כל אחת משתנה בצבע ובבהירות האובייקט כדי לדמות מורכבות חזותית בעולם האמיתי.

גם שיטת המיצוי המשופרת המוצעת וגם גישת הבסיס הקונבנציונלית יושמו על אותה קבוצה של תנאי בדיקה. המספר והעקביות המרחבית של נקודות התכונה שחולצו נרשמו ונותחו כמדדי ביצועים עיקריים.

כ...

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

דיון

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

שתי טכנולוגיות המפתח במערכות ניווט פנימיות אוטונומיות לרובוטים ניידים על גלגלים שהן מוקד מחקר זה הן לוקליזציה ומיפוי סימולטני חזותי (SLAM)16,17 ותכנון נתיב18. מודול SLAM מציע שיטת בחירה היררכית מבוססת quadtree כדי לתקן את התפלגות נקודות התכונה הלא אחידה של ORB-SLAM2. כדי לשפר את הדיוק של המפה שנוצרה, נעשה שימוש בגישת מיפוי צפופה אסינכרונית. ממצאי הניסוי מראים כי השיטה המוצעת משפרת משמעותית את יציבות הלוקלי...

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

גילויים

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

המחברים מצהירים שאין ניגודי אינטרסים.

תודות

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

ברצוננו להביע את תודתנו הכנה לפרופסור חבר קוק הואה יו מאוניברסיטת סיינס מלזיה על הדרכתו שלא תסולא בפז לאורך מחקר זה. אנו מעריכים גם את הסיוע שסיפק עמיתנו הסטודנט ג'ינגטאו ג'יה מאוניברסיטת קונמינג למדע וטכנולוגיה, שתמיכתו תרמה רבות להצלחת עבודה זו.

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

חומרים

רשימת החומרים שנעשה בהם שימוש במאמר זה
שםחברהמספר קטלוגהערות
מצלמת תלת מימד Astra Pro PlusCRBBECללאמצלמת תלת מימד
TARKBOT-R20-TWDללאללארובוט ROS

מקורות

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

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

הדפסות חוזרות והרשאות

בקש הרשאה לשימוש חוזר בטקסט או באיורים של מאמר JoVE זה

בקש הרשאה

תגיות

מאמרים קשורים