車輪付き移動ロボットの自律ナビゲーションのための強化された視覚的SLAMと経路計画

サマリー

この研究では、視覚的なSLAMと経路計画アルゴリズムを最適化することにより、WMRの自律的な屋内ナビゲーションを改善するアプローチを提示します。マルチセンサーフュージョンを統合し、特徴抽出を強化し、軌道最適化技術を適用して、より優れた位置特定、障害物回避、よりスムーズな経路を実現し、現実世界およびシミュレートされた環境で優れたパフォーマンスを実証します。

要約

本研究では、経路計画の最適化、システム統合、SLAM(Visual Simultaneous Localization and Mapping)技術の進歩など、車輪付き移動ロボットの自律ナビゲーションに用いられる重要な技術に焦点を当てています。重複または不均一に分散された特徴点によってもたらされる従来の視覚オドメトリにおけるローカリゼーションの問題を克服するために、強化されたアプローチが提案されています。このアプローチは、効率的なパースペクティブ n-ポイント (EPNP) 特徴マッチング、反復的最近点 (ICP) 姿勢の最適化、およびクワッドツリー ベースの特徴管理を組み合わせたものです。実験結果によると、提案された方法はローカリゼーションの精度と安定性を大幅に向上させます。RGB-Dデータに基づく高密度点群再構成技術は、従来のSLAMシステムによって生成される点群マップでよく見られるスパーリティを軽減しながら、環境表現の完全性と詳細を向上させるために開発されました。パスの品質と計算効率を向上させるために、適応ステップサイズ管理、目標バイアス、およびBスプラインベースのパス平滑化を組み込んだ、強化された高速探索ランダムツリー(RRT)法が提示されます。さらに、Timed Elastic Band (TEB) アルゴリズムの統合により、動的状況でのリアルタイムの局所的な障害物回避が可能になります。包括的な実世界テストにより、提案されたソリューションがロボットオペレーティングシステム(ROS)に基づく実験プラットフォームに実装された後、効率性、堅牢性、実用性の観点から有用性が確認されました。

概要

ロボット工学の可能性と応用パターンは、人工知能技術の進歩により、急速な変革の時期を迎えています。近年、Visual SLAM(Visual SLAM)とその視覚慣性航法システム(VINS)への拡張は、堅牢性と定位精度の点で大きな進歩を遂げています¹。低テクスチャや照明の悪さなどの困難な条件下での初期化の信頼性を高めるために、Camposらは、マルチマップシステムを導入し、視覚および視覚慣^{性システムの初期}化を改善したORB-SLAM3を提案しました2。困難なシナリオでの特徴マッチングを改善するために、DeToneらは自己教師ありの関心点検出および^{記述方法である}SuperPointを開発しました3、Sarlinらは、困難な^{視覚条件を処理する}グラフニューラルネットワークベースの特徴マッチャーであるSuperGlueを作成しました4。高密度の3D再構成のために、Daiらは、オンザフライの表面再統合を使用して大規模な環境とループクロージャを処理するリアルタイムのグローバルに整合性のある3D再構成システムであるBundleFusionを^{提案しました5}。

経路計画の分野では、RRT(Rapidly-Exploring Random Trees)とそのバリアントがロボットのモーションプランニングに広く採用されています。基本的なRRTアルゴリズムは、経路計画のための新しいツールとしてLaValleによって最初に導入され、複雑な高次^元問題を解決するための効率的なサンプリングベースの方法を提供します6。これは、モ^{ーションプランニング}7で漸近的最適性を保証するRRT*アルゴリズムを開発したKaramanとFrazzoliによって大幅に進歩しました。これらのコアアルゴリズムに基づいて、現代の研究は、サンプリングベースの手法と他の手法を組み合わせたハイブリッドアプローチに焦点を当ててきました。たとえば、Rösmannらは、局所的に最適な軌道生成を可能にし、グローバルプランナーと広く統合されているTimed Elastic Band(TEB)法を開発し^{ました8。}同様に、Foxらによって導入された動的ウィンドウアプローチ(DWA)は、動的環境9における局所的な障害物回避のための効果的な方法^{を提供します。}

ローカル計画と意味認識レベルでは、Chenらは、超小型航空機(MAV)の意味認識情報経路計画戦略を提案し、ターゲット探査中の探索効率と安全性の両方を向上させました¹⁰。Kabiriらは、5G到着時間(ToA)測定をVINSフレームワークに統合してグローバル-ローカルSLAM融合を可能にし、GNSSカバレッジが限られている環境での測方精度を効果的に向上させました¹¹。高周波のリアルタイムマッピングを容易にするために、Xuらは、正確で高密度の3Dマップを生成できる緊密結合のLiDAR-IMUオドメトリー法であるFAST-LIO2を開発しました¹²。複雑な環境での経路計画のために、Gammellらは、双方向の樹木成長と適応サンプリングを組み込んだ情報に基づいたRRT*手法を導入し、動的環境における経路の品質と探索効率を大幅に向上させました¹³。さらに、狭い通過シナリオの場合、Colemanらは、可変確率サンプリングを備えたサンプリングベースのモーションプランニング手法を提示し、計画の成功率と計算効率を向上させました¹⁴。

本研究は、経路計画戦略とSLAMフロントエンドの両方を改善することにより、車輪付き移動ロボット(WMR)の自律型屋内ナビゲーションにおける基本的な課題に対処します。具体的には、提案されたシステムは、実験室や廊下などの典型的な構造化された屋内環境向けに設計されており、適度な照明と最小限のGNSSアクセスの条件下で動作します。ナビゲーションシステムは主にステレオRGB-Dカメラ、慣性測定ユニット(IMU)、ホイールエンコーダーを利用し、すべてのセンサーは20Hz以上でサンプリングするように構成されています。信頼性の高いシステム性能を確保するために、ロボットの最高速度は1.5m/s未満に制限されています。主な貢献は次のとおりです。

車輪付き移動ロボット(WMR)用のマルチセンサーフュージョン自律ナビゲーションプラットフォームは、深度カメラを一次センサーとして使用して開発されました。一般的な屋内環境で正確な位置特定と効率的な障害物回避を実現するために、このシステムはホイールオドメトリと慣性測定ユニット(IMU)を統合しています。これらのコンポーネント間の相乗効果は、全体的なナビゲーション パフォーマンスを向上させる上で重要な役割を果たします。

EPnP および ICP アルゴリズムをクアッドツリーベースの特徴抽出技術と組み合わせることで、ORB-SLAM2 の追跡モジュールの改善に役立ちました。これらの開発により、追跡精度と堅牢性が向上します。

軌道の最適化を重視した新しい経路計画手法を提案する。これは、目標バイアスと調整可能なステップ サイズを備えた改良された RRT 技術に基づいており、軌道の平滑化に B スプライン曲線を使用します。動的な環境での障害物回避を管理するためのTEBアルゴリズムも含まれています。

システムのパフォーマンスは、実際のテストとシミュレーションによって確認されます。一般的な屋内環境では、定量的および定性的分析により、地図の精度、経路の品質、ナビゲーションのパフォーマンスを評価できます。堅牢性、リアルタイム処理、軌道の滑らかさの点で、提案されたアプローチは現在のソリューションを上回っています。

プロトコル

1. ハードウェアプラットフォーム

1. 屋内ナビゲーションに適した二輪差動駆動移動ロボットプラットフォームを準備します( 図1を参照)。このプラットフォームは、シャーシの中央に沿って整列された 2 つの独立して駆動されるホイールと、前後にパッシブ キャスター ホイールを使用して、機械的なバランスと操作性を確保します。
2. シャーシの中央縦軸に沿ってディファレンシャルドライブホイールを取り付けます。六角ドライバーを使用して、ホイールシャフトをモーターハブに位置合わせし、固定します。ホイールがしっかりと取り付けられていることを確認しますが、軸方向のぐらつきがなく自由に回転します。直線運動と正確なオドメトリーを維持するために、両方の車輪が正確に位置合わせされていることを確認します。
3. シャーシの両端に前後のキャスターホイールを取り付けて、旋回時に機械的なサポートを提供します。アライメントが不十分だと、高速方向転換時に不安定になったり傾いたりする可能性があります。
4. シャーシの上部フロントパネルに構造化ライト深度カメラを取り付けます。調節可能なブラケットまたは粘着マウントを使用して、カメラをしっかりと固定します。視野がロボットの約0.3mから3.0m前方をカバーするように向きを変えます。
5. IR プロジェクターと受信機モジュールをカメラ ハウジングに接続し、すべての光学センターが適切に位置合わせされていることを確認します。カメラのピッチ角を調整して、奥行き知覚を最適化します。
6. 調整可能なマウントを使用して、カメラを15°〜30°下に傾けます。シャーシのどの部分が投影されたIRパターンを妨げていないことを確認します。この角度は、近距離の地形の特徴を捉え、死角を回避するのに役立ちます。
7. RViz(バージョン1.14.1)などの可視化ソフトウェアを使用して、カメラのリアルタイム深度出力を確認します。カメラノードを起動し、深度画像ストリームを観察します。筐体中央に搭載されたマイコンユニット(MCU)に深度カメラを接続します。
   メモ: すべての接続中は、電源がオフになっていることを確認してください。動作中の絡まりを防ぐために、ケーブルを整理し、可動部品から遠ざけてください。

2. 屋内マッピングのためのORB-SLAM2の最適化

1. ORB-SLAM2 環境を準備します。標準のROSキャリブレーションツールを使用して、カメラ(RGB-D)をキャリブレーションします。起動ファイルを構成して、カメラのトピック、解像度(640 x 480など)、フレームレート(30 fpsなど)を指定します。xtark@tarkbot: $ roslaunch robot_platform slam map.launch slam _methods:=gmapping を使用して SLAM システムを起動します。ターミナルでライブカメラフィードとSLAM初期化メッセージを確認します。キーフレームは、モーションの開始後に表示されます。
2. ORB-SLAM2 を変更して、高密度マッピングをサポートします。デフォルトのマッピングモジュールを拡張して、キーフレームからの深度データを処理する高密度再構成スレッドを含めます。
3. 選択したキーフレームごとに:同期したRGB画像と深度画像を抽出し、カメラ組み込み関数を使用して深度ピクセルを3Dポイントに変換し、ポーズ情報を使用してキーフレーム間で蓄積された点群を融合します。複数のキーポイントを持つ領域を 4 つの象限に再帰的に細分化します。各リーフノードに最大で 1 つの主要なキーポイントが含まれるか、領域サイズが 10 x 10 ピクセル未満になるまで続けます。
4. クワッドツリーを使用して特徴の分布を強化します( 図2を参照)。ORB 特徴抽出モジュールを変更して、クワッドツリーベースの空間分割戦略を含めます。画像を階層グリッド領域に分割し、各領域に FAST コーナー検出を適用し、領域ごとに最も顕著な特徴のみを保持して、均一な空間カバレッジを確保します。
5. 有効な各領域から、顕著度応答が最も高い候補を代表特徴として選択します。
6. EPnPで姿勢推定を改善します。OpenCV の solvePnP を使用して、デフォルトの姿勢推定 (反復手法など) を Efficient Perspective-n-Point (EPnP) アルゴリズムに置き換えます。2D 画像フィーチャとそれに対応する 3D マップ ポイントを使用して、カメラの姿勢を解決します。
7. ロボットを展開、視覚化、制御します。安定した通信のために、ロボットのオンボードシステムに静的IPアドレスを割り当てます(例:ROBOT IP:172.20.10.13)。ホストPCでRViz(v1.14.1)を開き、設定をロードして、ロボットの軌道、まばらで密な点群マップ、キーフレーム、および検出された特徴を視覚化します。
8. キーボードの矢印キーを使用してロボットを手動で制御し、マッピング用のスペースをナビゲートします。軌道線がRVizに表示され、カメラのポーズフレームがリアルタイムで更新されていることを確認します。
   メモ: 図3 は、マッピング中の手動ロボット制御のキーボードレイアウトを示しています。

3. クワッドツリーアルゴリズムを使用した特徴点処理

1. 以下で説明するように、ORB特徴抽出を実行します。
   1. OpenCV (バージョン 4.5.3) を使用して、ROS 画像トピックまたはローカルデータセットから入力画像をロードします。
   2. 4つのレベルのガウスピラミッドを構築し、画像を均一なグリッドセル(レベルあたり8 x 8セル)に分割します。各セル内で、しきい値20のFAST検出器を適用して、ローカルキーポイントを識別します。
2. 以下で説明するように、クワッドツリーベースの特徴量の改良を構築します。
   1. 特定のピラミッド レベルのキーポイントのセットごとに、クワッドツリー構造を構築します。ルート ノードとして完全な画像から始めます。複数のキーポイントを持つ領域を 4 つの象限に再帰的に細分化します。各リーフノードに最大で 1 つの主要なキーポイント 、または領域サイズが 10 x 10 ピクセル未満になるまで続行します。
3. 以下で説明するように、特徴の顕著性評価を適用します。
   1. 式を使用して、ノード内の各候補キーポイントの顕著性を評価します。
      (1)
      ここで、I_p はローカル近傍の中心ピクセルの強度値であり、I_{i は}隣接する 16 個のピクセルの強度値を表します。絶対的な違い |I_p - I_i|中央のピクセルと各隣接ピクセルの間の局所的なコントラストを測定します。16 個の近傍すべての合計は、中央ピクセルの周りの全体的な局所的なコントラストまたはテクスチャの強度の尺度を提供します。
   2. 顕著性スコアでソートされた動的優先度キューを使用して、すべての候補をランク付けします。有効な各領域から、顕著度応答が最も高い候補を代表特徴として選択します。
4. 特徴量選択の最適化と検証
   1. 選択したすべてのフィーチャをピラミッド レベル間で結合します。画像全体で均一な空間カバレッジを確保します。最終的な特徴点とその記述子は、OpenCV に合わせたバージョンの ORB 記述子抽出器を使用して保存します。
   2. フィーチャがいくつかの画像エリアにクラスター化されていないことを確認します。特徴点は均一な空間分布を示し、堅牢な追跡をサポートする必要があります。移動中に物理ロボットシステムで画像処理を実行することは避けてください。カメラ ストリームが安定しており、ワークスペースがクリアされていることを確認します。

4. EPnPを用いた姿勢推定

1. 2D-3D 対応関係を確立するには、少なくとも 4 つの一致した 3D マップ ポイントのペア (ワールド座標内) とそれに対応する 2D 画像のキーポイントを選択します。これらの対応が、トラッキング・スレッドで取得された有効な ORB 特徴量一致から抽出されていることを確認します。
2. EPnPで初期ポーズを解く。各リーフノードに最大で 1 つの主要なキーポイント 、または領域サイズが 10 x 10 ピクセル未満になるまで続行します。OpenCV の solvePnP 関数を cv::SOLVEPNP_EPNP フラグとともに使用して、カメラのポーズを推定します。

5. ICPによる微細なポーズの調整

1. 以下で説明するように点群サンプリングを実行します。
   1. ソース点群をダウンサンプリングして、計算負荷を軽減し、冗長なデータを削除します。
   2. 均一なサンプリングを使用して、構造的特徴が全方向にわたって均一に保持されるようにします。必要に応じて、入力点群の密度とノイズ特性に基づいて、ボクセルグリッドフィルタリングまたはランダム選択を適用します。フィルター処理されたクラウドがオブジェクトの輪郭を維持しながら、合計ポイント数を少なくとも 50% 削減します。
2. ターゲット点群からKD-Treeを構築することで、対応するポイントをマッチングし、効率的な最近傍検索を可能にします。ダウンサンプリングされたソース点群内の各ポイントについて、KDツリーを使用して、ターゲットクラウド内の最も近いポイントを見つけます。このステップはレジストレーションのパフォーマンスに大きく影響するため、ポイントマッチングの精度を確保します。
3. 以下で説明するように、最適な変換を推定します。
   1. 一致した点のペアを使用して、回転と並進の両方を含む剛体変換行列を計算します。
   2. 相互共分散行列の特異値分解(SVD)によって平均二乗誤差(MSE)を最小化し、回転行列を直接生成し、回転した重心に基づいて並進ベクトルを計算することにより、一致した点ペア間の最適な剛体変換を計算します。
4. 計算された変換をソース点群に適用し、すべての点座標を更新します。ポイントマッチングと変換推定のプロセスを繰り返し繰り返します。登録エラーが事前定義されたしきい値を下回るか、最大反復回数に達するまで反復を続けます。

6. 高密度点群マップの構築

1. 高密度の 3D 点群マップを構築して、屋内環境を正確かつ詳細に表現します。以下で説明する手順( 図4を参照)に従います。
2. キーフレームからRGBと深度データを抽出します。視覚的な豊かさと空間カバレッジに基づいてキーフレームを選択します。選択した各キーフレームから、RGB 画像と対応する整列深度マップの両方を RGB-D センサーから抽出します。
3. 画像のピクセルを 3D カメラ座標に変換します。有効な深度ピクセルごとに、固有のカメラ パラメーターを使用して 2D ピクセルを 3D 空間に投影します。このプロセスでは、カメラ座標系で 3D 座標が生成されます。
4. カメラ座標をワールド座標に変換します。キーフレームごとに最適化されたカメラポーズをORB-SLAM2から取得します。カメラ ポーズを使用して、3D カメラ座標をワールド座標系に変換し、すべての点群を共通のグローバル参照に整列させます。
5. 色付きの3Dポイントを生成します。変換された 3D ポイントごとに、元の画像から対応する RGB 値を割り当てます。これにより、ジオメトリと外観の両方をキャプチャする色付きの点群が得られます。
6. すべてのキーフレームの点群をマージします。変換および色付けされたすべての点群を統合されたグローバル点群マップに蓄積します。各キーフレームに関連付けられたカメラのポーズを使用して、正しい位置合わせを確認します。
7. PCLを使用して最終的なマップを登録して調整します。点群ライブラリ(PCL)を使用して、最終的なマップを調整します。フィルタリングを適用してノイズを除去し、ダウンサンプリングを適用して効率を向上させます。必要に応じて、グローバルレジストレーション(ICPなど)を実行して、点群間のアライメントを微調整します( 図5を参照)。
   注: 図6に示すように、密なマッピングの初期化フェーズ中の初期点群アライメントは、観測データが限られているため、一時的なミスアライメントを示す可能性があり、追加の視点が組み込まれると急速に収束します。ロボットを制御して環境を横断することで、完全な3次元モデルを得ることができます。

7. VSLAMから派生した点群から占有グリッドマップを生成する

1. グローバルな高密度点群をダウンサンプリングします。0.05 m のボクセル解像度を使用してボクセル グリッド フィルタリングを適用して、冗長性を減らし、グリッド構築の空間解像度を定義します。
2. 3D ポイントを 2D 占有グリッドに投影します。すべての3Dポイントを水平(x-y)平面に投影します。空間を均一なグリッド セルに離散化し、それぞれが現実世界の 0.05 m x 0.05 m の正方形を表します。
3. 占有確率を推定します。逆センサー モデルを使用して、ポイント密度とシミュレートされたレイ トレーシングに基づいて各セルの占有確率を計算します。
   1. 占有確率のしきい値を 0.65 に設定します。空き確率のしきい値を 0.35 に設定します。中間値を持つグリッドセルを不明として分類します。
4. 障害物のインフレーションを適用します。ロボットのクリアランスと安全マージンを考慮して、半径0.2mの円形カーネルを適用して、占有領域を膨らませます。
5. 占有マップをエクスポートします。ROSベースのナビゲーションシステムとの互換性を確保するために、生成された占有グリッドマップをポータブルGrayMap形式で保存し、対応するm.yamlメタデータファイルを添えて保存します。

8. グローバルパス計画戦略の改善(RRTアルゴリズムに基づく)

1. パスツリーを初期化します。ロボットの開始位置をツリーのルートノードとして設定します。構成 (状態) 空間内のポイントをランダムにサンプリングして、新しい領域を探索します。
2. 最も近い既存のノードを特定します。新しくサンプリングされたランダム ポイントごとに、既存のすべてのノードまでのユークリッド距離を計算します。最小距離のノードを最も近いノードとして選択し、拡張ベースとして使用します。
3. ランダムサンプルに向けて新しいノードを生成します。最も近い節点からサンプリングされた点に向かって方向単位ベクトルを作成します。この方向に沿って固定ステップを(最初は)移動して新しいノードを形成し、ツリーに接続します。
4. 固定ステップサイズを適応メカニズムに置き換えます。一定のステップサイズを使用する代わりに、局所的な障害物の密度に基づいてステップ長を動的に調整します。オープン環境で大きなステップを使用して、ツリーの拡張を加速します。雑然とした領域や狭い領域では、ステップサイズを小さくして、制御と障害物回避を改善します。
5. 以下で説明するように、アダプティブステップサイズをリアルタイムで計算します。
   1. センサーデータ(LiDARや深度カメラなど)を使用して、現在の領域周辺の障害物の密度を推定します。
   2. 検出された障害物の数が少ない場合は、ステップサイズを少し大きくします。障害物が密集している場合は、ステップ サイズを比例して小さくして、安全なトラバースのために中間ノードを挿入します。
6. 拡張プロセスを反復します。アダプティブ ステップ サイズを使用して、サンプリング、最も近いノード検索、および新しいノードの生成を続行します。
7. スムージングのために B スプライン カーブを適用します。RRT パスのポリライン セグメントを連続した B スプライン カーブに置き換えて、滑らかさを向上させます。元のRRTパスに沿って、通常はターニングポイントまたは主要なウェイポイントでコントロールポイントを選択します。これらのコントロールポイントを順番に接続して、コントロールポリゴンを構築します。
8. B スプライン カーブを生成します。標準の B スプライン式¹⁵ を使用します。
   (2)
   この式は、最終的な曲線 C(u) が制御点の重み付けされた組み合わせである B スプライン曲線で使用されます。重みは、B スプライン基底関数 N_i,k (u) によって決定され、曲線が滑らかになり、制御点によって定義された一般的な形状に従うことを保証します。
9. 曲線の次数を 3 (立方) に設定すると、連続性が確保されます (1 次導関数と 2 次導関数が滑らかになります)。PyCharm 2024.3 で記述されたパスプランニングモジュールを使用します。

9. 修正TEBによる局所軌道最適化

1. 以下で説明するように、最短距離制約を導入します。
   1. これらの欠点を軽減するには、最短距離制約を TEB フレームワークに統合します。
   2. 拘束条件を、ロボットの現在位置 S_t と軌道に沿った将来の姿勢 S_i+n の間のユークリッド距離として定義します。
      (3)
      この制約は、パスがグローバル パス コリドーの端に近づくように促し、計画の品質と安全性を向上させることで、非効率的な逸脱にペナルティを与えます。
2. 元の TEB 最適化グラフを変更して距離制約を追加エッジとして含めることで、制約を TEB コスト関数に統合します。合計コスト関数を調整して、_fosの重み付け項を含め、滑らかさ、実現可能性、およびエネルギー効率のバランスをとります。
3. 制約条件をTEBコスト関数に統合する最適化中に、速度、加速度、障害物クリアランス、追加された最短距離項など、総コストを最小限に抑える軌道点を解析します。TEB の基礎となるソルバーを使用して、N 時間間隔にわたって軌道を反復的に最適化します。制約を考慮してパスを最適化します ( 図 7 を参照)。

結果

改良型ORB-SLAM2の評価
特徴抽出実験
実際のシナリオにおけるRGB-D深度カメラの有効性を評価するために、特徴点抽出実験を実施しました。このテストは、現実世界の視覚的複雑さをシミュレートするために、それぞれオブジェクトの色と明るさが異なる 2 つの異なる背景環境を使用して設計されました。

提案された改良された抽出方法と従来のベースラインアプローチの両方が、同じ一連の試験条件に適用されました。抽出された特徴点の数と空間的一貫性が記録され、主要なパフォーマンス指標として分析されました。

表1に示すように、抽出された特徴点の数と空間的一貫性が記録され、主要なパフォーマンス指標として分析されました。改良された方法により、特徴点の認識率が 25.95% 増加し、特徴点の均一性が 24.36% 向上しました。図8に示す実験結果は、両方の方法の比較性能を示し...

ディスカッション

この研究の焦点である車輪付き移動ロボット用の自律車内ナビゲーションシステムの2つの主要技術は、視覚的同時位置特定およびマッピング(SLAM)^16,17と経路計画¹⁸です。SLAMモジュールでは、ORB-SLAM2の特徴点分布の不均一さを補正するためのクワッドツリーベースの階層選択法を提案します。生成されたマップの精度を高めるために、非同期高密度マッピング アプローチが採用されます。実験結果は、提案された方法により位置推定の安定性とマッピング精度が大幅に向上し、特徴点抽出精度が 25.95% 向上することを示しています。

従来の Quickly-Exploring Random Tree (RRT) 手法¹⁹ の特徴である経路計画における収束の遅延と最適ではない滑らかさを克服するために、目標偏差と適応ステッ...

材料

この記事で使用された材料の一覧

名前	会社	カタログ番号	コメント
Astra Pro Plus 3D カメラ	CRBBEC	何一つ	3Dカメラ
TARKBOT-R20-TWD	何一つ	何一つ	ROSロボット