Улучшенная визуальная SLAM и планирование траектории для автономной навигации колесных мобильных роботов

Краткое содержание

В этом исследовании представлен подход к улучшению автономной навигации внутри помещений WMR за счет оптимизации алгоритмов визуального SLAM и планирования пути. Он объединяет объединение нескольких датчиков, улучшает извлечение признаков и применяет методы оптимизации траектории для лучшей локализации, обхода препятствий и более плавных траекторий, демонстрируя превосходную производительность в реальных и смоделированных средах.

Аннотация

Это исследование сосредоточено на важных технологиях, используемых в автономной навигации колесных мобильных роботов, таких как оптимизация планирования маршрута, системная интеграция и достижения в методах визуальной одновременной локализации и картографирования (SLAM). Предложен усовершенствованный подход к преодолению проблем локализации в традиционной визуальной одометрии, вызванных дублированием или неравномерно распределенными точками признаков. Этот подход сочетает в себе сопоставление признаков Efficient Perspective-n-Point (EPNP), итеративную оптимизацию положения ближайшей точки (ICP) и управление функциями на основе квадродерева. Согласно экспериментальным данным, предложенный метод значительно повышает точность и стабильность локализации. Метод реконструкции плотного облака точек, основанный на данных RGB-D, разработан для улучшения полноты и детализации представления окружающей среды при одновременном снижении разреженности, часто наблюдаемой на картах облака точек, созданных обычными системами SLAM. Для повышения качества траектории и вычислительной эффективности представлен усовершенствованный метод случайного дерева с быстрым исследованием (RRT), который включает в себя адаптивное управление размером шага, смещение цели и сглаживание траектории на основе B-сплайна. Кроме того, обход локальных препятствий в реальном времени в динамических ситуациях стал возможным благодаря интеграции алгоритма Timed Elastic Band (TEB). Всесторонние испытания в реальных условиях подтвердили полезность предложенных решений с точки зрения эффективности, надежности и практической применимости после того, как они были реализованы на экспериментальной платформе на базе операционной системы робота (ROS).

Введение

Потенциал и модели применения робототехники переживают период быстрой трансформации, обусловленный достижениями в области технологий искусственного интеллекта. В последние годы технология визуальной одновременной локализации и картографирования (Visual SLAM) и ее расширение до визуально-инерциальных навигационных систем (VINS) добились значительного прогресса с точки зрения надежности и точности локализации¹. Для повышения надежности инициализации в сложных условиях, таких как низкая текстура и плохое освещение, Campos et al. предложили ORB-SLAM3, который представляет собой систему с несколькими картами и улучшенную инициализацию для визуальных и визуально-инерциальных систем². Для улучшения сопоставления признаков в сложных сценариях DeTone et al. разработали SuperPoint, самоконтролируемый метод обнаружения и описания точки интереса³, в то время как Sarlin et al. создали SuperGlue, сопоставление признаков на основе графовой нейронной сети, которое обрабатывает сложные визуальные условия⁴. Для плотной 3D-реконструкции Dai et al. предложили BundleFusion, глобально согласованную систему 3D-реконструкции в реальном времени, которая использует реинтеграцию поверхности «на лету» для работы в крупномасштабных средах и замкнутых контурах⁵.

В области планирования траекторий быстро исследуемые случайные деревья (RRT) и их варианты по-прежнему широко используются для планирования движения роботов. Основополагающий алгоритм RRT был впервые представлен компанией LaValle в качестве нового инструмента для планирования траектории, обеспечивающего эффективный метод на основе выборки для решения сложных задач высокой размерности⁶. Этот шаг был значительно усовершенствован Караманом и Фраццоли, которые разработали алгоритм RRT*, обеспечивающий асимптотические гарантии оптимальности^{при планировании} движения7. Основываясь на этих основных алгоритмах, современные исследования сосредоточились на гибридных подходах, которые сочетают методы, основанные на выборке, с другими методами. Например, Rösmann et al. разработали метод Timed Elastic Band (TEB), который позволяет генерировать локальную оптимальную траекторию и был широко интегрирован с^{глобальными} планировщиками. Аналогичным образом, подход «Динамическое окно» (DWA), предложенный Фоксом и др., обеспечивает эффективный метод обхода локальных препятствий в динамических средах⁹.

На уровне локального планирования и семантического восприятия Чен и др. предложили семантически ориентированную стратегию планирования пути для микролетательных аппаратов (MAV), повышающую как эффективность поиска, так и безопасность во время исследования цели^. Кабири и др. интегрировали измерения времени прихода (ToA) 5G в структуру VINS, чтобы обеспечить глобальное и локальное слияние SLAM, эффективно повышая точность локализации в средах с ограниченным покрытием GNSS¹¹. Чтобы облегчить высокочастотное картирование в реальном времени, Xu et al. разработали FAST-LIO2, метод одометрии LiDAR-IMU, тесно связанный с LiDAR-IMU, способный создавать точные и плотные 3D-карты¹². Для планирования пути в сложных средах Gammell et al. представили обоснованный метод RRT*, который включает в себя двунаправленный рост деревьев и адаптивную выборку, значительно улучшая качество пути и эффективность поиска в^{динамических} средах. Кроме того, для сценариев с узким проходом Coleman et al. представили метод планирования движения на основе выборки с переменной вероятностной выборкой, который улучшает показатели успешности планирования и вычислительную эффективность¹⁴.

В настоящем исследовании рассматриваются фундаментальные проблемы автономной навигации внутри помещений для колесных мобильных роботов (WMR) путем совершенствования как стратегии планирования маршрута, так и интерфейса SLAM. В частности, предлагаемая система предназначена для типичных структурированных внутренних сред, таких как лаборатории и коридоры, работающих в условиях умеренного освещения и минимального доступа к GNSS. Навигационная система в основном использует стереокамеру RGB-D, инерциальный измерительный блок (IMU) и энкодеры колес, при этом все датчики настроены на дискретизацию с частотой не менее 20 Гц. Для обеспечения надежной работы системы максимальная скорость робота ограничена менее чем 1,5 м/с. Ниже приведены основные вклады:

Мультисенсорная автономная навигационная платформа для колесных мобильных роботов (WMR) с использованием камеры глубины в качестве основного датчика. Для достижения точной локализации и эффективного обхода препятствий в типичных внутренних помещениях система объединяет одометрию колес и инерциальный измерительный блок (IMU). Синергия между этими компонентами играет решающую роль в повышении общих характеристик навигации.

Сочетание алгоритмов EPnP и ICP с методом извлечения признаков на основе квадродерева помогло улучшить модуль слежения в ORB-SLAM2. Благодаря этим разработкам повышается точность и надежность отслеживания.

Предложен новый метод планирования траектории, в котором особое внимание уделяется оптимизации траектории. Он основан на улучшенной технике RRT со смещением цели и регулируемыми размерами шага и использует кривые B-сплайна для сглаживания траектории. Алгоритм TEB также включен для управления обходом препятствий в динамических средах.

Производительность системы подтверждена реальными испытаниями и моделированием. Типичная внутренняя среда позволяет проводить количественный и качественный анализ для оценки точности карты, качества пути и производительности навигации. С точки зрения надежности, обработки в режиме реального времени и плавности траектории предлагаемый подход превосходит существующие решения.

Протокол

1. Аппаратная платформа

1. Подготовьте двухколесную передвижную роботизированную платформу с дифференциальным приводом, пригодную для навигации внутри помещений (см. рисунок 1). На этой платформе используются два независимо ведущих колеса, выровненных по центру шасси, и пассивные ролики спереди и сзади для обеспечения механической балансировки и маневренности.
2. Установите ведущие колеса дифференциала вдоль центральной продольной оси ходовой части. С помощью шестигранной отвертки выровняйте и закрепите валы колес в ступицах двигателя. Убедитесь, что колеса надежно закреплены, но свободно вращаются без осевых колебаний. Убедитесь, что оба колеса точно выровнены, чтобы сохранить прямолинейное движение и точную одометрию.
3. Установите передние и задние ролики на обоих концах шасси для обеспечения механической поддержки во время поворотов. Плохая центровка может привести к неустойчивости или наклону при изменении направления движения на высокой скорости.
4. Установите камеру глубины со структурированной подсветкой на верхней передней панели корпуса. Используйте регулируемый кронштейн или клейкое крепление для надежного крепления камеры. Ориентируйте его таким образом, чтобы поле зрения охватывало примерно от 0,3 до 3,0 м впереди робота.
5. Подключите модули ИК-проектора и приемника к корпусу камеры, убедившись, что все оптические центры правильно выровнены. Отрегулируйте угол наклона камеры для оптимизации восприятия глубины.
6. Наклоните камеру вниз на 15°-30° с помощью регулируемого крепления. Убедитесь, что ни одна часть корпуса не препятствует проецируемому ИК-шаблону. Этот угол помогает захватывать особенности местности в ближней зоне и избегать слепых зон.
7. Проверьте глубину камеры в режиме реального времени с помощью программного обеспечения для визуализации, такого как RViz (версия 1.14.1). Запустите узел камеры и наблюдайте за потоком изображения глубины. Подключите камеру глубины к микроконтроллеру (MCU), установленному в центре корпуса.
   ПРИМЕЧАНИЕ: Убедитесь, что питание выключено во время всех подключений. Держите кабели организованными и вдали от движущихся частей, чтобы предотвратить запутывание во время движения.

2. Оптимизация ORB-SLAM2 для картографирования помещений

1. Подготовьте среду ORB-SLAM2. Откалибруйте камеру (RGB-D) с помощью стандартных инструментов калибровки ROS. Настройте файл запуска, указав темы камеры, разрешение (например, 640 x 480) и частоту кадров (например, 30 кадров в секунду). Запустите систему SLAM с помощью: xtark@tarkbot: $ roslaunch robot_platform slam map.launch slam _methods:=gmapping. Проверьте прямую трансляцию с камеры и сообщения инициализации SLAM в терминале. Ключевые кадры должны появиться после начала движения.
2. Модифицируйте ORB-SLAM2 для поддержки плотного отображения. Расширьте модуль сопоставления по умолчанию, включив в него плотный поток реконструкции, который обрабатывает данные о глубине из ключевых кадров.
3. Для каждого выбранного ключевого кадра: извлекайте синхронизированные изображения RGB и глубины, преобразуйте пиксели глубины в 3D-точки с помощью встроенных функций камеры и объединяйте накопленные облака точек по ключевым кадрам с помощью информации о позе. Рекурсивно разделите любую область с более чем одной ключевой точкой на четыре квадранта. Продолжайте до тех пор, пока каждый конечный узел не будет содержать не более одной доминирующей ключевой точки или пока размер области не упадет ниже 10 x 10 пикселей.
4. Улучшите распределение функций с помощью квадродерева (см. рис. 2). Измените модуль извлечения объектов ORB, включив в него стратегию пространственного разбиения на основе четырех деревьев. Разделите изображение на иерархические области сетки, примените FAST обнаружение углов в каждой области и сохраните только наиболее заметные особенности в каждом регионе, чтобы обеспечить равномерное пространственное покрытие.
5. В каждой допустимой области выберите кандидата с наиболее выраженной реакцией в качестве репрезентативного признака.
6. Улучшите оценку позы с помощью EPnP. Замените оценку позы по умолчанию (например, итерационными методами) на алгоритм Efficient Perspective-n-Point (EPnP) с использованием solvePnP от OpenCV. Используйте функции 2D-изображения и соответствующие им точки 3D-карты для решения задачи камеры.
7. Развертывайте, визуализируйте и управляйте роботом. Назначьте статический IP-адрес бортовой системе робота для обеспечения стабильной связи (например, ROBOT IP: 172.20.10.13). На хост-компьютере откройте RViz (v1.14.1) и загрузите конфигурацию, чтобы визуализировать траекторию робота, карты разреженных и плотных облаков точек, ключевые кадры и обнаруженные функции.
8. Управляйте роботом вручную с помощью клавиш со стрелками на клавиатуре для навигации по пространству для картографирования. Убедитесь, что линия траектории отображается в RViz, а кадры поз камеры обновляются в режиме реального времени.
   ПРИМЕЧАНИЕ: На рисунке 3 показана раскладка клавиатуры для ручного управления роботом во время сопоставления.

3. Обработка характерных точек с помощью алгоритма Quadtree

1. Выполните извлечение признаков ORB, как описано ниже.
   1. Загрузите входное изображение из раздела изображения ROS или локального набора данных с помощью OpenCV (версия 4.5.3).
   2. Постройте пирамиду Гаусса с четырьмя уровнями, разделите изображение на равномерные ячейки сетки (8 х 8 ячеек на уровень). Внутри каждой ячейки примените детектор FAST с порогом 20 для определения локальных ключевых точек.
2. Постройте уточнение функций на основе квадродерева, как описано ниже.
   1. Для каждого набора ключевых точек на заданном уровне пирамиды постройте структуру квадродерева: Начните с полного изображения в качестве корневого узла. Рекурсивно разделите любую область с более чем одной ключевой точкой на четыре квадранта. Продолжайте до тех пор, пока каждый конечный узел не будет содержать не более одной доминирующей ключевой точки или пока размер области не уменьшится до 10 x 10 пикселей.
3. Примените оценку значимости объекта, как описано ниже.
   1. Оцените значимость каждой потенциальной ключевой точки в узле с помощью уравнения:
      (1)
      где I_p — значение интенсивности центрального пикселя в локальной окрестности, а I_i — значения интенсивности его 16 соседних пикселей. Абсолютная разница |I_p - I_i| Измеряет локальный контраст между центральным пикселем и каждым соседом. Сумма по всем 16 соседям дает меру общего локального контраста или силы текстуры вокруг центрального пикселя.
   2. Ранжируйте всех кандидатов с помощью динамической очереди приоритетов, отсортированной по оценке значимости. В каждой допустимой области выберите кандидата с наиболее выраженной реакцией в качестве репрезентативного признака.
4. Оптимизация и проверка выбора функций
   1. Объедините все выбранные функции на уровнях пирамиды. Обеспечьте равномерное пространственное покрытие по всему изображению. Храните итоговые точки характеристик и их дескрипторы с помощью экстрактора дескрипторов ORB, версия, согласованная с OpenCV.
   2. Убедитесь, что объекты не сгруппированы в нескольких областях изображения. Характерные точки должны демонстрировать равномерное пространственное распределение, поддерживающее надежное отслеживание. Избегайте выполнения обработки изображений в физической роботизированной системе во время движения. Убедитесь, что поток камеры стабильный, а рабочее пространство очищено.

4. Оценка позы с помощью EPnP

1. Установите соответствия между 2D-3D и D путем выбора не менее четырех совпадающих пар точек 3D-карты (в мировых координатах) и соответствующих им ключевых точек 2D-изображения. Убедитесь, что эти соответствия извлечены из действительных совпадений функций ORB, полученных в потоке отслеживания.
2. Решите исходную позу с помощью EPnP. Продолжайте до тех пор, пока каждый конечный узел не будет содержать не более одной доминирующей ключевой точки или пока размер области не уменьшится до 10 x 10 пикселей. Используйте функцию solvePnP от OpenCV с флагом cv::SOLVEPNP_EPNP для оценки положения камеры.

5. Уточнение тонкой позы с помощью ICP

1. Выполните выборку облака точек, как описано ниже.
   1. Понижайте дискретизацию исходного облака точек, чтобы снизить вычислительную нагрузку и удалить избыточные данные.
   2. Используйте равномерный отбор проб, чтобы обеспечить равномерное сохранение структурных элементов во всех направлениях. При необходимости примените фильтрацию воксельной сетки или случайный выбор на основе плотности входного облака точек и шумовых характеристик. Убедитесь, что отфильтрованное облако сохраняет контуры объектов, сокращая общее количество точек не менее чем на 50%.
2. Сопоставляйте соответствующие точки, создавая KD-дерево из облака точек назначения, чтобы обеспечить эффективный поиск по ближайшим соседям. Для каждой точки в облаке исходных точек с нисходящей выборкой найдите ее ближайшую точку в целевом облаке с помощью дерева KD. Обеспечьте точность сопоставления точек, так как этот шаг критически влияет на производительность регистрации.
3. Оцените оптимальное преобразование, как описано ниже.
   1. Используйте сопоставленные пары точек для вычисления матрицы преобразования твердого тела, включая вращение и перемещение.
   2. Вычислите оптимальное жесткое преобразование между согласованными парами точек путем минимизации среднеквадратичной ошибки (MSE) за счет сингулярного разложения (SVD) кросс-ковариационной матрицы, которое дает непосредственно вращающуюся матрицу, с последующим вычислением вектора перемещения на основе повернутых центроидов.
4. Примените вычисленное преобразование к исходному облаку точек и обновите все координаты точек. Повторяйте процесс сопоставления точек и оценки преобразования итеративно. Продолжайте итерацию до тех пор, пока ошибка регистрации не упадет ниже заданного порогового значения или не будет достигнуто максимальное количество итераций.

6. Построение карты плотного облака точек

1. Постройте плотную 3D-карту облака точек, чтобы получить точное и подробное представление о внутренней среде. Выполните следующие действия (см. рисунок 4), описанные ниже.
2. Извлекайте данные о RGB и глубине из ключевых кадров. Выбирайте ключевые кадры на основе визуальной насыщенности и пространственного охвата. Из каждого выбранного ключевого кадра извлеките изображение RGB и соответствующую выровненную карту глубины с сенсора RGB-D.
3. Преобразуйте пиксели изображения в координаты 3D-камеры. Для каждого допустимого пикселя глубины спроецируйте 2D-пиксель в 3D-пространство, используя встроенные параметры камеры. Этот процесс генерирует 3D-координаты в системе координат камеры.
4. Преобразование координат камеры в координаты мира. Получите оптимизированное положение камеры из ORB-SLAM2 для каждого ключевого кадра. Используйте позу камеры для преобразования координат 3D-камеры в мировую систему координат, выравнивая все облака точек в общую глобальную ссылку.
5. Создание раскрашенных 3D-точек. Для каждой преобразованной 3D-точки назначьте соответствующее значение RGB из исходного изображения. В результате получается цветное облако точек, которое отражает как геометрию, так и внешний вид.
6. Объединение облаков точек из всех ключевых кадров. Накапливайте все преобразованные и раскрашенные облака точек в единую глобальную карту облаков точек. Обеспечьте правильное выравнивание с помощью поз камеры, связанных с каждым ключевым кадром.
7. Зарегистрируйте и уточните итоговую карту с помощью PCL. Используйте библиотеку облаков точек (PCL) для уточнения окончательной карты. Применяйте фильтрацию для удаления шума и понижайте выборку для повышения эффективности. Выполните глобальную регистрацию (например, с помощью ICP) для точной настройки выравнивания между облаками точек, если это необходимо (см. рис. 5).
   ПРИМЕЧАНИЕ: Как показано на рисунке 6, начальное выравнивание облака точек на этапе инициализации плотного картографирования может демонстрировать временное смещение из-за ограниченных данных наблюдений, которое быстро сходится по мере включения дополнительных точек обзора. Управляя роботом для перемещения по окружающей среде, можно получить полную трехмерную модель.

7. Создание карты сетки занятости на основе облаков точек, полученных с помощью VSLAM

1. Нисходящая выборка глобального плотного облака точек. Примените фильтрацию воксельной сетки с использованием воксельного разрешения 0,05 м, чтобы уменьшить избыточность и определить пространственное разрешение для построения сетки.
2. Проецируйте 3D-точки в 2D-сетку занятости. Спроецируйте все 3D-точки на горизонтальную плоскость (x-y). Дискретизируйте пространство на однородные ячейки сетки, каждая из которых представляет собой квадрат 0,05 м x 0,05 м в реальном мире.
3. Оцените вероятности заполнения. Используйте обратную модель датчика для вычисления вероятности заполнения каждой ячейки на основе плотности точек и смоделированной трассировки лучей.
   1. Установите порог занятой вероятности равным 0,65. Установите порог свободной вероятности равным 0,35. Классифицируйте ячейки сетки с промежуточными значениями как неизвестные.
4. Примените надувку препятствий. Раздуйте занятые области, применив круглое ядро радиусом 0,2 м, чтобы учесть зазор робота и запас прочности.
5. Экспортируйте карту занятости. Сохраните сгенерированную карту занятости в формате Portable GrayMap вместе с соответствующим файлом метаданных m.yaml для обеспечения совместимости с навигационными системами на базе ROS.

8. Улучшена стратегия планирования глобального пути (на основе алгоритма RRT)

1. Инициализируйте дерево путей. Установите начальную позицию робота в качестве корневого узла дерева. Случайная выборка точек в пространстве конфигурации (состояния) для исследования новых областей.
2. Определите ближайший существующий узел. Для каждой вновь отобранной случайной точки вычислите евклидово расстояние до всех существующих узлов. Выберите узел с минимальным расстоянием в качестве ближайшего узла, который будет служить основанием расширения.
3. Сгенерируйте новый узел по направлению к случайной выборке. Создайте вектор единиц измерения направления от ближайшего узла к точке выборки. Переместите фиксированный шаг (изначально) в этом направлении, чтобы сформировать новый узел и соединить его с деревом.
4. Замените фиксированный размер шага на адаптивный механизм. Вместо использования постоянного размера шага динамически регулируйте длину шага в зависимости от плотности местных препятствий. Используйте большие шаги в открытых средах, чтобы ускорить разрастание дерева. В загроможденных или узких областях уменьшите размер ступеньки, чтобы улучшить контроль и избежать препятствий.
5. Вычислите размер адаптивного шага в режиме реального времени, как описано ниже.
   1. Используйте данные датчиков (например, LiDAR или камеру глубины) для оценки плотности препятствий вокруг текущей области.
   2. Если количество обнаруженных препятствий невелико, немного увеличьте размер шага. Если препятствия плотные, уменьшите размер ступени пропорционально, чтобы вставить больше промежуточных узлов для безопасного обхода.
6. Повторяйте процесс расширения. Продолжайте выборку, поиск по ближайшему узлу и создание нового узла с помощью адаптивного размера шага.
7. Примените кривые B-сплайна для сглаживания. Замените сегменты полилиний в контуре RRT непрерывной кривой B-сплайна для улучшения плавности. Выберите опорные точки вдоль исходного пути RRT, обычно в поворотных точках или ключевых путевых точках. Постройте опорный многоугольник, соединив эти опорные точки последовательно.
8. Создайте кривую B-сплайна. Используйте стандартную формулу В-сплайна¹⁵:
   (2)
   Эта формула используется в кривых B-сплайна, где конечная кривая C(u) представляет собой взвешенную комбинацию контрольных точек. Веса определяются базисными функциями B-сплайна N_i,k (u), которые обеспечивают плавность кривой и ее следование общей форме, определяемой контрольными точками.
9. Установите степень кривой равной 3 (кубическая), что обеспечивает непрерывность (гладкие первая и вторая производные). Используйте модуль планирования пути, написанный в PyCharm 2024.3.

9. Локальная оптимизация траектории с модифицированным TEB

1. Введите ограничение кратчайшего расстояния, как описано ниже.
   1. Чтобы устранить эти недостатки, интегрируйте ограничение кратчайшего расстояния в структуру TEB.
   2. Определим ограничение как евклидово расстояние между текущим положением робота S_t и будущим положением S_i+n вдоль траектории:
      (3)
      Это ограничение наказывает за неэффективные отклонения, поощряя путь оставаться ближе к краю глобального коридора пути, повышая качество планирования и безопасность.
2. Интегрируйте ограничение в функцию стоимости TEB, изменив исходный график оптимизации TEB, включив ограничение расстояния в качестве дополнительного ребра. Настройте функцию общей стоимости, включив в нее взвешенный член для _fos, уравновешивая плавность, осуществимость и энергоэффективность.
3. Интеграция ограничения в функцию стоимости TEB. Во время оптимизации решайте задачи для точек траектории, которые минимизируют общую стоимость, включая скорость, ускорение, преодоление препятствий и добавленное наименьшее расстояние. Используйте базовый решатель TEB для итеративной оптимизации траектории на N временных интервалах. Оптимизируйте траекторию с учетом ограничения (см. рисунок 7).

Результаты

Оценка усовершенствованного ORB-SLAM2
Эксперимент по извлечению признаков
Чтобы оценить эффективность камеры глубины RGB-D в практических сценариях, был проведен эксперимент по выделению точек признаков. Тест был разработан с использованием двух различных фоновых сред, каждая из которых различается по цвету и яркости объекта, чтобы имитировать реальную визуальную сложность.

Как предложенный усовершенствованный метод экстракции, так и традиционный базовы...

Обсуждение

Две ключевые технологии в автономных системах внутренней навигации для колесных мобильных роботов, которые находятся в центре внимания данного исследования, — это визуальная одновременная локализация и картографирование (SLAM)^16,17 и планирование траектории¹⁸. Модуль SLAM предлагает метод иерархического выбора на основе четырех деревьев для исправления неравномерного распределения характерных точек ORB-SLA...

Материалы

Список материалов, использованных в этой статье

Имя	Компания	Каталожный номер	Комментарии
3D-камера Astra Pro Plus	ЦРББЭС	Никакой	3D камера
TARKBOT-R20-TWD	Никакой	Никакой	Робот ROS