Оценка поз беспилотных подводных аппаратов с использованием симуляций на основе маркеров дополненной реальности

Краткое содержание

В данном исследовании представлена монокулярная модель зрения на основе ROS–Gazebo для оценки положения автономных подводных аппаратов с использованием маркеров ArUco. Оценочные позы сравниваются с имитированной одометрией, демонстрируя стабильное отслеживание и сильное согласие с правдой на земле при контролируемых условиях.

Аннотация

В этом исследовании представлена модель на основе симуляции для оценки положения беспилотных подводных аппаратов (UUV) с использованием монокулярной системы зрения в среде ROS–Беседка. Модель UUV RexRov2, интегрированная с ArUco_ROS, используется для обнаружения виртуальных маркеров и оценки положения и ориентации в имитируемой подводной обстановке. Для оценки положения применяется метод Perspective-n-Point (PnP), а пропорционально-интегральный производный (PID) контроллер регулирует движение транспортного средства на основе признаков, полученных на маркерах. Система оценивается путём сравнения оценочных поз с одометрией по правде на земле, полученной с помощью симулятора. При номинальных условиях результаты демонстрируют стабильное определение положения с точным согласованием оценочных и истинных позиций и ориентаций. Система поддерживает плавное отслеживание траектории с минимальными колебаниями, что свидетельствует о надёжной работе в контролируемых условиях. Однако при увеличении гидродинамических возмущений система демонстрирует отклонения в положении и ориентации, что приводит к нестабильности в отслеживании. Эти результаты подчёркивают ограничения классического управления PID в нелинейных подводных условиях и указывают на необходимость более надёжных стратегий управления. В целом, предлагаемая структура предоставляет безопасную, гибкую и экономичную платформу для тестирования алгоритмов подводной навигации и оценки интеграции восприятия и управления в симулированных средах.

Введение

Беспилотные подводные аппараты (UUV) часто используются в ситуациях с ограниченным присутствием человека, таких как мониторинг океана, разведка и нефтяная промышленность. Они оснащены современными датчиками для сбора данных из сложных подводных условий, что требует надёжных и экономичных тестовых платформ. Методы моделирования, включая методы зрения с использованием маркеров ArUco, обеспечивают эффективный способ снижения рисков, связанных с реальным развертыванием UUV.

История БПЛА — от первого специализированного подводного исследовательского аппарата до современных автономных подводных аппаратов — подчёркивает их важность в исследованиях, обороне и промышленности¹. Эволюция автономных подводных аппаратов дополнительно подчеркивает необходимость точного позиционирования, навигации и тестирования в симулированных^{условиях 2,3}.

Рисунок 1 иллюстрирует традиционную архитектуру системы моделирования UUV. Сочетание операционной системы робота (ROS) и симулятора беседки предоставляет универсальную платформу для моделирования, управления и связи в реальном времени. ROS обеспечивает эффективную коммуникацию между датчиками, приводами и управляющими модулями, а Gazebo предоставляет реалистичную среду для 3D-симуляции для тестирования навигационных и управляющих^{алгоритмов 4,5}. В этом контексте методы на основе маркеров ArUco улучшают оценку положения, обеспечивая точное обнаружение и отслеживание опорных^{точек 6}.

Рисунок 1: Традиционная архитектура системы моделирования UUV.Диаграмма иллюстрирует взаимодействие между компонентами моделирования, восприятия и управления в рамках ROS–Gazebo. Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этой фигуры.

Несколько исследований продвинули технологии моделирования, навигации и восприятия UUV⁷. Пригодность фреймворка ROS–Gazebo для моделирования роботов^{была продемонстрирована 4}, и этот подход был расширен на подводные применения через UUV Simulator для задач с множеством роботов и^{вмешательства 5}. Позиционирование на основе зрения также было улучшено за счёт объединения маркеров ArUco с алгоритмами^{отслеживания 6}. Аналогично, высокоточное моделирование и контроль подводных миссий были обеспечены с помощью продвинутых платформ^{симуляции 8}, а также продемонстрировано надёжное позиционирование в ограниченных условиях с использованием фидуциальных^{маркеров 9}.

Эти технологические достижения дополняются опросными исследованиями. Достижения в области подводной навигации и задач локализации были всесторонне^{рассмотрены 10, 11}, а коммерческие и открытые платформы симуляции систематически^{оценены 12}. Дополнительные обзоры изучали современное состояние автономных подводных^{аппаратов 13, 14}, а также стратегии управления формированием и коммуникации для многотранспортных^{систем 14}. Кроме того, достижения в надёжном контроле^{отслеживания 15} и оценке состояния с использованием методов глубокого обучения, таких как Gated Recurrent^{Units 16}, ещё больше повысили надежность автономных подводных миссий. В совокупности эти исследования демонстрируют значительный прогресс в реалистичности симуляций, навигации и интеллектуальном управлении UUV.

Несмотря на эти достижения, остаются ряд исследовательских задач. Современные симуляторы не имеют точных моделей сенсоров, особенно для систем с обзором вперед и бокового сканирования. Большинство платформ поддерживают только одиночные операции AUV, с ограниченными возможностями координации и формирования между несколькими AUV. Неточности датчиков и динамических моделей могут привести к неоптимальной работе, а возмущения окружающей среды, такие как токи и шум, не моделируются последовательно в симуляторах. Для устранения этих ограничений в настоящем исследовании введён фреймворк моделирования ROS–Gazebo, включающий оценку позы на основе маркеров ArUco, чтобы обеспечить более точную оценку состояния и строгую оценку алгоритмов навигации UUV.

Эта работа предлагает три основных вклада. Во-первых, представлен подход к оценке позы монокулярной базы на основе ArUco в подводной среде моделирования ROS–Gazebo с использованием модели RexRov2. Во-вторых, он анализирует устойчивость положения при различных условиях возмущений и сценарии управления. В-третьих, он выявляет ограничения классического управления PID в нелинейных подводных условиях при динамических возмущениях. Кроме того, эта работа интегрирует восприятие, контроль и симуляцию в единую структуру, преодолевая пробелы в предыдущих исследованиях, которые рассматривали эти компоненты независимо.

Протокол

1. Настройка программной среды

Рабочая станция на базе Linux с Ubuntu 20.04 и операционной системой Robot Operating System (ROS) Noetic использовалась в качестве основной платформы для реализации систем подводной самолокализации¹⁷. Система инициализовалась путём создания catkin-рабочего пространства с mkdir -p ~/catkin_ws/src, а затем инициализации с помощью catkin_init_workspace. Пакеты uuv_simulator и aruco_ros клонировались в исходный каталог и компилировались с помощью команды catkin_make для поддержки моделирования подводного вмешательства.

Связь между промежуточным ПО ROS и симулятором Gazebo 9 проверялась путём запуска подводного мира по умолчанию и подтверждения активной связи через команду ростопикного списка. Узлы обработки изображений и оценки позы были реализованы на Python 3.8 и интегрированы библиотеки ArUco для вычисления относительной позиции с помощью OpenCV. Среда ROS была настроена для управления зависимостями и обеспечения передачи данных в реальном времени, что позволяло роботу локализовать себя относительно нескольких искусственных^{маркеров 18}. Такая система также позволяла оценивать эффективность обнаружения маркеров при различных условиях. Рисунок 1 иллюстрирует коммуникацию между узлами моделирования, восприятия и визуализации в среде ROS–Беседка.

2. Модель UUV и гидродинамическая параметризация

Модель RexRov2 была получена из пакета uuv_descriptions и запущена в беседке с использованием файла Unified Robot Description Format (URDF^{) 5}. Модель автомобиля состояла из звеньев и соединений, сухой массой 1863 кг и объемным водоизмещением 1,838^м3, что соответствует почти нейтральной плавучести в воде с плотностью 1000 кг/^м3.

Гидродинамические эффекты моделировались с помощью uuv_underwater_object_plugin, включая линейные и квадратичные силы демпферирования. Дополнительный коэффициент массового скачка был установлен на уровне 779,79, а параметры демпфирования были откалиброваны на основе описанных характеристик RexRov2 для имитации реалистичного движения^{аппарата 19}. Рисунок 2 показывает общую архитектуру симуляции.

Рисунок 2: Общая архитектура среды симуляции. На рисунке показана интеграция модели UUV, входных данных сенсоров, конвейера восприятия и управляющих модулей, используемых для оценки позы и навигации. Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этой фигуры.

3. Камера, маркер и настройка окружающей среды

К кадру rexrov2/camera_link была прикреплена монокулярная камера. Параметры камеры были установлены на 1280 × 720 пикселей и 30 Гц. Внутренние параметры были определены в конфигурационном файле камеры с фокусным расстоянием 554,25 пикселей и главной точкой (640,5, 360,5).

Фиксированный вертикальный маркер ArUco длиной боковой линии 0,5 м, выбранный из словаря 6×6_250 (ID: 582), был расположен по координатам (20,0, 0,0, -10,0). Смоделированная среда была настроена с глубиной воды 10 м и постоянной скоростью тока 0,1 м/с в направлении X с использованием сервиса /uuv_simulation_app/set_current_velocity ROS. Для обеспечения видимости^{маркера 9} использовалась световая интенсивность 0,8. Рисунок 3 показывает смоделированную подводную среду.

Рисунок 3: Имитация подводной среды в беседке 9. Среда включает UUV RexRov2, виртуальные маркеры ArUco и контролируемые условия окружающей среды, такие как глубина воды, освещение и течение. Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этой фигуры.

4. Оценка позы и управление навигацией

Конвейер обнаружения маркеров инициировался с помощью узла ArUco ROS, который подписывался на тему /rexrov2/forward_camera/image_raw. Положение транспортного средства оценивалось с помощью метода Perspective-n-Point (PnP) для вычисления матрицы вращения (R) и вектора переноса (t) относительно известной геометрии 3D-маркера.

Предполагаемая поза была преобразована из кадра камеры в глобальную систему отсчёта с помощью статического преобразования издателя. PID-контроллер использовался для регулировки движения автомобиля путём отправки команд на скорость на входную тему /rexrov2/thruster_manager/. Пропорциональные коэффициенты усиления (Kp) для осей скачка и подъёма были установлены на уровне 1500 и 2000 соответственно, чтобы обеспечить стабильность^{отслеживания 20}.

5. Оценка и сравнение основы и истинности

Согласование между оценками позы на основе зрения и моделируемой траекторией оценивалось с помощью темы /rexrov2/pose_gt, предоставленной плагином uuv_gazebo_ros_p3d. Оценочная поза из конвейера ArUco была сравнивана с данными одометрии на земле для оценки стабильности и согласованности системы.

Оценка проводилась с помощью сравнения траекторий и визуализации в реальном времени, где с помощью Rviz и rqt_plot отслеживались положение (X, Y, Z) и ориентация (крена, тангаж, рыскание). Это позволило наблюдать отклонения как при номинальных, так и в условиях, вызванных нарушениями.

Исследование сосредоточено на качественной и сравнительной оценке. Количественная оценка с использованием ошибки корня (RMSE) определяется как будущая работа, при которой будут использоваться несколько моделируемых загонов для оценки ошибки положения и ориентации.

6. Генерация и визуализация результатов

Rviz использовался как инструмент 3D-визуализации для мониторинга траектории и ориентации UUV. Координатные кадры /rexrov2/camera_link и /aruco_marker_frame визуализировались для оценки пространственной связи между транспортным средством и^{маркером 2}.

Инструмент rqt_plot использовался для создания графиков положения транспортного средства в реальном времени (крена, тангаж, рыскание) с использованием тем /rexrov2/pose_gt и /aruco_pose. Команда записи rosbag использовалась для захвата данных симуляции, включая видеопотоки и управляющие входы, для качественного анализа.

Симуляция проводилась в идеальных визуальных условиях, при условии хорошего освещения и низкой мутности. Считалось, что знак ArUco останется непрепятственным. Гидродинамические эффекты демпфирования моделировались с использованием упрощённых коэффициентов, а шум датчиков не включался.

Результаты

Для оценки предлагаемой системы на базе ROS–Gazebo с использованием UUV RexRov2 была использована моделированная подводная среда. Среда волнового моделирования (рисунок 3) обеспечивала динамические, но контролируемые условия для оценки системы оценки позы на основе маркеров.

Рисунок 4 иллюстрирует связь между обнаруженными маркерами ArUco и результирующей траекторией UUV. Конвейер восприятия, основанн...

Обсуждение

Численные наблюдения подтверждают эффективность предлагаемой структуры в контролируемых условиях. Небольшие колебания положения (порядка 10⁻² м) и ориентации (порядка 10⁻² рад) указывают на стабильное отслеживание позы. Эти результаты показывают, что маркеры ArUco служат надёжным ориентиром для короткодействующей^{локализации 6}. Кроме того, платформы моделирования позволяют генерировать специализированные наборы данных для устойчивого SLAM, под...

Материалы

Список материалов, использованных в этой статье

Имя	Компания	Каталожный номер	Комментарии
ArUco Marker Detection Library	OpenCV	N/A (open-source)	Визуальное обнаружение маркеров для оценки положения
Gazebo Simulator	Open Robotics	N/A (open-source)	3D-симуляционная среда для тестирования НПЛ
REXROV2 UUV Model	UUV Simulator Project	N/A (open-source)	Заданная модель НПЛ, используемая для экспериментов по оценке положения
Robot Operating System (ROS)	Open Robotics	N/A (open-source)	Программное обеспечение для коммуникации и управления
RViz	Open Robotics	N/A (open-source)	Инструмент визуализации модели НПЛ и данных сенсоров
Ubuntu Linux (20.04 LTS)	Canonical Ltd.	N/A	Операционная система, поддерживающая ROS и Gazebo
UUV Simulator Package	Norwegian University of Science and Technology (NTNU)	N/A (open-source)	ROS-Gazebo подводная симуляционная рамка