To badanie przedstawia klaster widzenia monokularnego oparty na ROS–Gazebo do estymacji położenia autonomicznych pojazdów podwodnych z wykorzystaniem markerów ArUco. Oszacowane położenia są porównywane z symulowaną odmierzaniem, co pokazuje stabilne śledzenie i silną zgodność z prawdą rzeczywistą w kontrolowanych warunkach.
Artykuł badawczy
Estymacja położenia bezzałogowych pojazdów podwodnych przy użyciu symulacji opartych na markerach rzeczywistości rozszerzonej
1Department of Computer Science and Engineering, Department of Computer Science and Engineering, Koneru Lakshmaiah Education Foundation, Bowrampet, 2Department of CSE, Chennai Institute of Technology, 3Department of Information Technology, Aditya Institute of Technology and Management, 4School of Electrical and Computer Engineering, Yeosu Campus, Chonnam National University
Otwiera się w nowej karcie
W tym artykule
Podsumowanie
Loading...
$$\rightleftharpoonup{xx}$$
$$\longleftharp{xx}$$,
$$\longrightharp{xx}$$,
Streszczenie
Loading...
$$\rightleftharpoonup{xx}$$
$$\longleftharp{xx}$$,
$$\longrightharp{xx}$$,
To badanie przedstawia oparte na symulacji ramy dla estymacji położenia bezzałogowych pojazdów podwodnych (UUV) przy użyciu systemu widzenia monokularnego w środowisku ROS-Gazebo. Model UUV RexRov2, zintegrowany z ArUco_ROS, jest używany do wykrywania wirtualnych znaczników i estymacji położenia i orientacji w symulowanej podwodnej środowisku. Metoda Perspektywiczna-n-Punkt (PnP) jest stosowana do estymacji położenia, a regulator proporcjonalno-całkująco-różnicowy (PID) reguluje ruch pojazdu na podstawie cech pochodzących od znaczników. System jest oceniany poprzez porównanie estymowanych położeń z odniesieniem od odometru uzyskanym z symulatora. W warunkach nominalnych, wyniki pokazują stabilną estymację położenia z bliskim zgodnością między estymowanymi i prawdziwymi pozycjami i orientacjami. System utrzymuje płynne śledzenie trajektorii z minimalnymi wahaniami, co wskazuje na niezawodną wydajność w kontrolowanych środowiskach. Jednak w warunkach zwiększonego zakłócenia hydrodynamicznego, system wykazuje odchylenia w pozycji i orientacji, prowadzące do niestabilności w śledzeniu wydajności. Te wyniki podkreślają ograniczenia klasycznej kontroli PID w nieliniowych środowiskach podwodnych i sugerują potrzebę bardziej niezawodnych strategii kontroli. Ogólnie rzecz biorąc, zaproponowany framework zapewnia bezpieczną, elastyczną i opłacalną platformę do testowania algorytmów nawigacji podwodnej i oceny integracji percepcji-kontroli w symulowanych środowiskach.
Wprowadzenie
Loading...
$$\rightleftharpoonup{xx}$$
$$\longleftharp{xx}$$,
$$\longrightharp{xx}$$,
Bezzałogowe Pojazdy Podwodne (BPU) są powszechnie wykorzystywane w scenariuszach, gdzie obecność ludzka jest ograniczona, takich jak monitorowanie oceanów, eksploracja i przemysł petrochemiczny. Są wyposażone w zaawansowane czujniki do zbierania danych ze złożonych środowisk podwodnych, co wymaga solidnych i opłacalnych platform testowych. Techniki symulacji, w tym metody oparte na wizji z wykorzystaniem markerów ArUco, zapewniają skuteczne środki do zmniejszenia ryzyka związanego z rzeczywistą eksploatacją BPU.
Historia BPU, od pierwszego Specjalnego Pojazdu Badawczego Podwodnego do nowoczesnych autonomicznych pojazdów podwodnych, podkreśla ich znaczenie w badaniach, obronności i przemyśle1. Ewolucja autonomicznych pojazdów podwodnych jeszcze bardziej podkreśla potrzebę dokładnego pozycjonowania, nawigacji i testowania w symulowanych środowiskach2,3.
Rysunek 1 przedstawia konwencjonalną architekturę systemu symulacji BPU. Połączenie Systemu Operacyjnego Robota (ROS) i symulatora Gazebo oferuje wszechstronną platformę do modelowania, kontroli i komunikacji w czasie rzeczywistym. ROS umożliwia efektywną komunikację między czujnikami, siłownikami i modułami sterującymi, podczas gdy Gazebo zapewnia realistyczne środowisko symulacji 3D do testowania algorytmów nawigacji i kontroli4,5. W tym kontekście metody oparte na markerach ArUco poprawiają estymację położenia, umożliwiając precyzyjne wykrywanie i śledzenie punktów odniesienia6.
Rysunek 1: Konwencjonalna architektura systemu symulacji BPU. Diagram przedstawia interakcję między komponentami symulacji, percepcji i kontroli w ramach struktury ROS-Gazebo.Proszę kliknąć tutaj, aby zobaczyć większą wersję tego rysunku.
Liczne badania poszerzyły technologie symulacji, nawigacji i percepcji BPU7. Zdatność struktury ROS-Gazebo do modelowania robotów została wykazana4, a podejście to zostało rozszerzone na zastosowania podwodne poprzez Symulator BPU do wielorobotowych zadań i zadań interwencyjnych5. Pozycjonowanie oparte na wizji zostało również ulepszone poprzez łączenie markerów ArUco z algorytmami śledzenia6. Podobnie, wysokiej wierności symulacja i nadzór misji podwodnych zostały umożliwione poprzez zaawansowane platformy symulacyjne8, podczas gdy solidne pozycjonowanie w zamkniętych środowiskach przy użyciu markerów fiduksjalnych zostało również wykazane9.
Te rozwojowe osiągnięcia są uzupełnione przez przeglądy badań. Postęp w dziedzinie nawigacji i lokalizacji podwodnych został kompleksowo przeanalizowany10,11, a komercyjne i open-source platformy symulacyjne zostały systematycznie oceniane12. Dodatkowe przeglądy zbadały stan sztuki w dziedzinie autonomicznych pojazdów podwodnych13,14, a także strategie kontroli formacji i komunikacji dla systemów wielorobotowych14. Ponadto, postęp w solidnej kontroli śledzenia15 i estymacji stanu przy użyciu podejść deep learning, takich jak Gated Recurrent Units16, poprawił niezawodność autonomicznych misji podwodnych. Łącznie, te badania wykazują znaczący postęp w realizmie symulacji, nawigacji i inteligentnej kontroli BPU.
Mimo tych osiągnięć, kilka wyzwań badawczych pozostaje. Obecne symulatory nie mają dokładnych modeli czujników, szczególnie dla systemów sonarowych oglądających w przód i skanujących bokiem. Większość platform obsługuje tylko pojedyncze operacje AUV, z ograniczonymi możliwościami koordynacji i formacji wielu AUV. Niedokładności modeli czujników i dynamicznych mogą prowadzić do suboptymalnej wydajności, a zakłócenia środowiskowe, takie jak prądy i szum, nie są spójnie modelowane w symulatorach. Aby zapobiec tym ograniczeniom, obecne badanie wprowadza strukturę symulacji ROS-Gazebo z wykorzystaniem estymacji położenia opartej na markerach ArUco, aby umożliwić dokładniejszą estymację stanu i rygorystyczną ocenę algorytmów nawigacji BPU.
Praca ta wnosi trzy główne wkłady. Po pierwsze, przedstawia podejście do estymacji położenia monokularnego oparte na ArUco w środowisku symulacji ROS-Gazebo podwodnej przy użyciu modelu RexRov2. Po drugie, analizuje stabilność położenia w różnych warunkach zakłóceń i scenariuszach kontroli. Po trzecie, identyfikuje ograniczenia klasycznej kontroli PID w nieliniowych środowiskach podwodnych w warunkach dynamicznych zakłóceń. Ponadto, praca ta integruje percepcję, kontrolę i symulację w jednolitym systemie, wypełniając l
Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.
Protokół
Loading...
$$\rightleftharpoonup{xx}$$
$$\longleftharp{xx}$$,
$$\longrightharp{xx}$$,
1. Konfiguracja środowiska oprogramowania
Jako główna platforma deweloperska do implementacji systemów samolokalizacji podwodnych zastosowano stację roboczą opartą na Linuksie z systemem Ubuntu 20.04 i systemem operacyjnym dla robotów (ROS) Noetic17. System został zainicjowany przez utworzenie obszaru roboczego catkin z poleceniem mkdir -p ~/catkin_ws/src, a następnie zainicjowanie go poleceniem catkin_init_workspace. Pakiety uuv_simulator i aruco_ros zostały skopiowane do katalogu źródłowego i skompilowane za pomocą polecenia catkin_make w celu wsparcia modelowania interwencji podwodnych.
Połączenie między środowiskiem ROS a symulatorem Gazebo 9 zostało zweryfikowane poprzez uruchomienie domyślnego świata podwodnego i potwierdzenie aktywnej komunikacji za pomocą polecenia rostopic list. Węzły przetwarzania obrazów i estymacji położenia zostały zaimplementowane przy użyciu Pythona 3.8 i zintegrowanych bibliotek ArUco w celu obliczenia położenia względnego za pomocą OpenCV. Środowisko ROS zostało skonfigurowane w celu zarządzania zależnościami i umożliwienia komunikacji danych w czasie rzeczywistym, umożliwiając robotowi lokalizację siebie względem wielu sztucznych znaczników18. To ustawienie umożliwiło również ocenę wydajności wykrywania znaczników w różnych warunkach. Rysunek 1 przedstawia komunikację między węzłami symulacji, percepcji i wizualizacji w środowisku ROS-Gazebo.
2. Model UUV i parametryzacja hydrodynamiczna
Model pojazdu RexRov2 został uzyskany z pakietu uuv_descriptions i uruchomiony w Gazebo za pomocą pliku w formacie Unified Robot Description Format (URDF)5. Model pojazdu składał się z łączy i przegubów, o masie suchej 1863 kg i objętości wyporu 1,838 m3, co odpowiadało prawie neutralnej wyporności w wodzie o gęstości 1000 kg/m3.
Efekty hydrodynamiczne zostały zmodyfikowane za pomocą uuv_underwater_object_plugin, w tym sił tłumiących liniowych i kwadratowych. Współczynnik dodatkowej masy prądu został ustawiony na 779,79, a parametry tłumienia zostały skalibrowane na podstawie zgłoszonych cech RexRov2 w celu symulacji realistycznego ruchu pojazdu19. Rysunek 2 przedstawia ogólną architekturę symulacji.
Rysunek 2: Ogólna architektura środowiska symulacyjnego. Rysunek przedstawia integrację modelu UUV, wejść sensorycznych, potoku percepcji i modułów sterowania używanych do estymacji położenia i nawigacji. Proszę kliknąć tutaj, aby zobaczyć większą wersję tego rysunku.
3. Konfiguracja kamery, znacznika i środowiska
Monokularną kamerę zamontowano na ramie rexrov2/camera_link. Parametry kamery zostały ustawione na 1280 × 720 pikseli i 30 Hz. Parametry wewnętrzne zostały zdefiniowane w pliku konfiguracyjnym kamery z ogniskową 554,25 pikseli i punktem głównym na (640,5, 360,5).
Stały pionowy znacznik ArUco o długości boku 0,5 m, wybrany z słownika 6×6_250 (ID: 582), został umieszczony na współrzędnych (20,0, 0,0, -10,0). Zsymulowane środowisko zostało skonfigurowane z głębokością wody 10 m i stałą prędkością prądu 0,1 m/s w kierunku X za pomocą usługi ROS /uuv_simulation_app/set_current_velocity. Intensywność światła 0,8 została użyta, aby zapewnić widoczność znacznika9. Rysunek 3 przedstawia symulowane środowisko podwodne.
Rysunek 3: Symulowane środowisko podwodne w Gazebo 9. Środowisko obejmuje UUV RexRov2, wirtualne znaczniki ArUco i kontrolowane warunki środowiskowe, takie jak głębokość wody, oświetlenie i prąd. Proszę kliknąć tutaj, aby zobaczyć większą wersję tego rysunku.
4. Estymacja położenia i sterowanie nawigacją
Potok wykrywania znaczników został uruchomiony za pomocą węzła ROS ArUco, który subskrybował temat /rexrov2/forward_camera/image_raw. Położenie pojazdu zostało oszacowane za pomocą metody Perspektywa-n-Punkt (PnP), aby obliczyć macierz rotacji (R) i wektor translacji (t) względem znanej geometrii znacznika 3D.
Oszacowane położenie zostało przekształcone z ramki kamery do globalnego układu odniesienia za pomocą statycznego publikatora transformacji. Do regulacji ruchu pojazdu za pomocą wysyłania poleceń prędkości do
Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.
Wyniki
Loading...
$$\rightleftharpoonup{xx}$$
$$\longleftharp{xx}$$,
$$\longrightharp{xx}$$,
Do ocenenia zaproponowanego systemu opartego na ROS–Gazebo wykorzystano symulowane środowisko podwodne z wykorzystaniem UUV RexRov2. Symulacja fal (Rysunek 3) zapewniła dynamiczne, ale kontrolowane środowisko do oceny systemu estymacji położenia opartego na znakach.
Rysunek 4 ilustruje relację między wykrytymi znakami ArUco a wynikającą z nich trajektorią UUV. Przetwarzanie percepcyjne, oparte na wykrywaniu znaków ArUco, skutecznie wy...
Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.
Dyskusja
Loading...
$$\rightleftharpoonup{xx}$$
$$\longleftharp{xx}$$,
$$\longrightharp{xx}$$,
Obserwacje liczbowe potwierdzają skuteczność zaproponowanego frameworku w kontrolowanych warunkach. Małe wahania w pozycji (w skali 10⁻2 m) i orientacji (w skali 10⁻2 rad) wskazują na stabilne śledzenie położenia. Wyniki te pokazują, że markery ArUco zapewniają niezawodne odniesienie dla lokalizowania na krótkich dystansach6. Ponadto platformy symulacyjne umożliwiają generowanie specjalistycznych zestawów danych dla wytrzymałego SLAM, wspierającego lokalizację w środowiskach,...
Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.
Oświadczenia
Loading...
$$\rightleftharpoonup{xx}$$
$$\longleftharp{xx}$$,
$$\longrightharp{xx}$$,
Autorzy deklarują, że nie mają żadnych konfliktów interesów dotyczących publikacji tego artykułu.
Wkład autorów:
Dr Nirmalajyothi Narisetty skonceptualizował badanie i opracował metodologię. Dr Sirisha Potluri stworzył i zaimplementował model symulacji. Dr P. Aurchana przyczynił się do interpretacji wyników oraz poprawił i edytował rękopis. Dr Debnath Bhattacharyya przyczynił się do projektowania eksperymentu, dyskusji technicznych, udoskonalania metodologii oraz recenzji rękopisu. Dr Tai-hoon Kim zapewniał starszą opiekę akademicką, nadzór techniczny i wsparcie doradcze przez całe trwanie badań. Ogólne techniczne rozwijanie i udoskonalanie pracy badawczej przebiegało pod jego nadzorem. Wszyscy autorzy przeczytali i zatwierdzili ostateczną wersję rękopisu.
Podziękowania
Loading...
$$\rightleftharpoonup{xx}$$
$$\longleftharp{xx}$$,
$$\longrightharp{xx}$$,
To badanie zostało finansowo wspierane przez Uniwersytet Chonnam (numer grantu: 2026-1109-01).
Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.
Materiały
| Nazwa | Firma | Numer katalogowy | Komentarze |
|---|---|---|---|
| ArUco Marker Detection Library | OpenCV | N/A (open-source) | Wykrywanie markerów oparte na wizji do estymacji położenia |
| Gazebo Simulator | Open Robotics | N/A (open-source) | 3D środowisko symulacji dla testów UUV |
| REXROV2 UUV Model | UUV Simulator Project | N/A (open-source) | Predefiniowany model UUV używany do eksperymentów z estymacją położenia |
| Robot Operating System (ROS) | Open Robotics | N/A (open-source) | Middleware do komunikacji i kontroli |
| RViz | Open Robotics | N/A (open-source) | Narzędzie do wizualizacji modelu UUV i danych czujników |
| Ubuntu Linux (20.04 LTS) | Canonical Ltd. | N/A | System operacyjny obsługujący ROS i Gazebo |
| UUV Simulator Package | Norwegian University of Science and Technology (NTNU) | N/A (open-source) | Podzespół symulacji podwodnej ROS-Gazebo |
Przedruki i uprawnienia
Poproś o pozwolenie na ponowne wykorzystanie tekstu lub ilustracji tego artykułu JoVE
Poproś o pozwolenie