Tekerlekli Mobil Robotların Otonom Navigasyonu için Gelişmiş Görsel SLAM ve Yol Planlama

Özet

Bu çalışma, görsel SLAM ve yol planlama algoritmalarını optimize ederek WMR otonom iç mekan navigasyonunu iyileştirmeye yönelik bir yaklaşım sunmaktadır. Çoklu sensör füzyonunu entegre eder, özellik çıkarımını geliştirir ve daha iyi yerelleştirme, engellerden kaçınma ve daha düzgün yollar için yörünge optimizasyon tekniklerini uygulayarak gerçek dünyada ve simüle edilmiş ortamlarda üstün performans gösterir.

Özet

Bu araştırma, yol planlama optimizasyonu, sistem entegrasyonu ve görsel eşzamanlı yerelleştirme ve haritalama (SLAM) tekniklerindeki gelişmeler gibi tekerlekli mobil robot otonom navigasyonunda kullanılan önemli teknolojilere odaklanmaktadır. Geleneksel görsel odometride yinelenen veya eşit olmayan şekilde dağıtılmış özellik noktalarının neden olduğu yerelleştirme sorunlarının üstesinden gelmek için gelişmiş bir yaklaşım önerilmektedir. Bu yaklaşım, Verimli Perspektif-n-Nokta (EPNP) özellik eşleştirme, yinelemeli en yakın nokta (ICP) poz optimizasyonu ve dörtlü ağaç tabanlı özellik yönetimini birleştirir. Deneysel bulgulara göre, önerilen yöntem lokalizasyon doğruluğunu ve kararlılığını büyük ölçüde artırmaktadır. RGB-D verilerine dayalı yoğun bir nokta bulutu yeniden yapılandırma tekniği, geleneksel SLAM sistemleri tarafından üretilen nokta bulutu haritalarında sıklıkla görülen seyrekliği azaltırken çevresel temsilin eksiksizliğini ve ayrıntısını iyileştirmek için geliştirilmiştir. Yol kalitesini ve hesaplama verimliliğini artırmak için, uyarlanabilir adım boyutu yönetimi, hedef önyargısı ve B-spline tabanlı yol yumuşatmayı içeren, gelişmiş, hızla keşfedilen rastgele ağaç (RRT) yöntemi sunulmaktadır. Ayrıca, dinamik durumlarda gerçek zamanlı yerel engellerden kaçınma, Zamanlı Elastik Bant (TEB) algoritmasının entegrasyonu ile mümkün olmaktadır. Kapsamlı gerçek dünya testleri, önerilen çözümlerin Robot İşletim Sistemine (ROS) dayalı deneysel bir platformda uygulandıktan sonra verimlilik, sağlamlık ve pratik uygulanabilirlik açısından kullanışlılığını doğrulamıştır.

Giriş

Robotiğin potansiyeli ve uygulama kalıpları, yapay zeka teknolojilerindeki gelişmelerin etkisiyle hızlı bir dönüşüm sürecinden geçiyor. Son yıllarda, Görsel Eşzamanlı Yerelleştirme ve Haritalama (Görsel SLAM) ve bunun Görsel Ataletsel Navigasyon Sistemlerine (VINS) genişletilmesi, sağlamlık ve yerelleştirme doğruluğu açısından önemli ilerleme kaydetmiştir¹. Düşük doku ve zayıf aydınlatma gibi zorlu koşullar altında başlatma güvenilirliğini artırmak için Campos ve ark. görsel ve görsel atalet sistemleri² için çoklu harita sistemi ve geliştirilmiş başlatma sunan ORB-SLAM3'ü önerdi. Zorlu senaryolarda gelişmiş özellik eşleştirmesi için DeTone ve ark. kendi kendini denetleyen bir ilgi noktası algılama ve tanımlama yöntemi olan SuperPoint'i geliştirdi³, Sarlin ve ark. zor görsel koşulları ele alan grafik sinir ağı tabanlı bir özellik eşleştirici olan SuperGlue'yu yarattı⁴. Yoğun 3D rekonstrüksiyon için, Dai ve ark. büyük ölçekli ortamları ve döngü kapanışlarını işlemek için anında yüzey yeniden entegrasyonunu kullanan, gerçek zamanlı, küresel olarak tutarlı bir 3D rekonstrüksiyon sistemi olan BundleFusion'ı önerdi⁵.

Yol planlama alanında, Hızla Keşfedilen Rastgele Ağaçlar (RRT) ve bunların çeşitleri, robotik hareket planlamasında yaygın olarak benimsenmeye devam ediyor. Temel RRT algoritması ilk olarak LaValle tarafından yol planlaması için yeni bir araç olarak tanıtıldı ve karmaşık yüksek boyutlu problemleri çözmek için verimli bir örnekleme tabanlı yöntem sağladı⁶. Bu, hareket planlamasında asimptotik optimallik garantileri sağlayan RRT* algoritmasını geliştiren Karaman ve Frazzoli tarafından önemli ölçüde ilerletilmiştir⁷. Bu temel algoritmalar üzerine inşa edilen modern araştırmalar, örneklemeye dayalı yöntemleri diğer tekniklerle birleştiren hibrit yaklaşımlara odaklanmıştır. Örneğin, Rösmann ve ark. yerel olarak optimal yörünge oluşturmayı sağlayan ve küresel planlamacılarla geniş çapta entegre edilen Zamanlanmış Elastik Bant (TEB) yöntemini geliştirdi⁸. Benzer şekilde, Fox ve ark. dinamik ortamlarda yerel engellerden kaçınma için etkili bir yöntem sağlar⁹.

Yerel planlama ve anlamsal algı düzeyinde, Chen ve ark. mikro hava araçları (MAV'ler) için anlamsal farkındalığa sahip bilgilendirici bir yol planlama stratejisi önerdi ve hedef keşfi sırasında hem arama verimliliğini hem de güvenliği artırdı¹⁰. Kabiri ve ark. küresel-yerel SLAM füzyonunu sağlamak için 5G Varış Zamanı (ToA) ölçümlerini bir VINS çerçevesine entegre etti ve sınırlı GNSS kapsamına sahip ortamlarda yerelleştirme doğruluğunu etkili bir şekilde iyileştirdi¹¹. Yüksek frekanslı gerçek zamanlı haritalamayı kolaylaştırmak için, Xu ve ark. doğru ve yoğun 3D haritalar üretebilen sıkı bir şekilde bağlanmış bir LiDAR-IMU odometri yöntemi olan FAST-LIO2'yi geliştirdi¹². Karmaşık ortamlarda yol planlaması için Gammell ve ark. çift yönlü ağaç büyümesini ve uyarlanabilir örneklemeyi içeren, dinamik ortamlarda yol kalitesini ve arama verimliliğini önemli ölçüde artıran bilinçli bir RRT* yöntemi tanıttı¹³. Ek olarak, dar geçiş senaryoları için Coleman ve ark. planlama başarı oranlarını ve hesaplama verimliliğini artıran değişken olasılıklı örnekleme ile örnekleme tabanlı bir hareket planlama yöntemi sundu¹⁴.

Bu çalışma, hem yol planlama stratejisini hem de SLAM ön ucunu iyileştirerek tekerlekli mobil robotlar (WMR'ler) için otonom iç mekan navigasyonundaki temel zorlukları ele almaktadır. Spesifik olarak, önerilen sistem, orta düzeyde aydınlatma ve minimum GNSS erişimi olan koşullar altında çalışan laboratuvarlar ve koridorlar gibi tipik yapılandırılmış iç ortamlar için tasarlanmıştır. Navigasyon sistemi öncelikle bir stereo RGB-D kamera, bir atalet ölçüm birimi (IMU) ve tekerlek kodlayıcıları kullanır ve tüm sensörler en az 20 Hz'de örnekleme yapacak şekilde yapılandırılmıştır. Güvenilir sistem performansı sağlamak için robotun maksimum hızı 1,5 m/s'nin altında sınırlandırılmıştır. Temel katkılar şunlardır:

Tekerlekli mobil robotlar (WMR'ler) için çok sensörlü bir füzyon otonom navigasyon platformu, birincil sensör olarak bir derinlik kamerası kullanılarak geliştirilmiştir. Tipik iç ortamlarda doğru lokalizasyon ve engellerden etkili bir şekilde kaçınma sağlamak için sistem, tekerlek odometrisini ve bir atalet ölçüm birimini (IMU) entegre eder. Bu bileşenler arasındaki sinerji, genel navigasyon performansının arttırılmasında kritik bir rol oynar.

EPnP ve ICP algoritmalarını dörtlü ağaç tabanlı bir özellik çıkarma tekniğiyle birleştirmek, ORB-SLAM2'deki izleme modülünün gelişmesine yardımcı oldu. Bu gelişmelerden daha iyi izleme doğruluğu ve sağlamlığı gelir.

Yörünge optimizasyonunu vurgulayan yeni bir yol planlama yöntemi önerilmiştir. Hedef önyargısı ve ayarlanabilir adım boyutları ile geliştirilmiş bir RRT tekniğine dayanır ve yörünge yumuşatma için B-spline eğrilerini kullanır. Dinamik ortamlarda engellerden kaçınmayı yönetmek için TEB algoritması da dahil edilmiştir.

Sistemin performansı gerçek dünya testleri ve simülasyonları ile doğrulanmıştır. Tipik iç ortamlar, harita doğruluğunu, yol kalitesini ve navigasyon performansını değerlendirmek için nicel ve nitel analize izin verir. Sağlamlık, gerçek zamanlı işleme ve yörünge düzgünlüğü açısından önerilen yaklaşım mevcut çözümleri geride bırakıyor.

Protokol

1. Donanım platformu

1. İç mekan navigasyonuna uygun iki tekerlekli diferansiyel tahrikli mobil robot platformunu hazırlayın (bkz. Şekil 1). Bu platform, mekanik denge ve manevra kabiliyeti sağlamak için şasinin merkezi boyunca hizalanmış bağımsız tahrikli iki tekerlek ve önde ve arkada pasif tekerlekler kullanır.
2. Diferansiyel tahrik tekerleklerini şasinin merkezi uzunlamasına ekseni boyunca monte edin. Tekerlek millerini motor göbeklerine hizalamak ve sabitlemek için altıgen tornavida kullanın. Tekerleklerin sıkı bir şekilde takıldığından ancak eksenel yalpalama olmadan serbestçe döndüğünden emin olun. Düz çizgi hareketini ve doğru odometriyi korumak için her iki tekerleğin de hassas şekilde hizalandığını doğrulayın.
3. Dönüşler sırasında mekanik destek sağlamak için ön ve arka tekerlekleri şasinin her iki ucuna takın. Kötü hizalama, yüksek hızlı yön değişiklikleri sırasında dengesizliğe veya eğilmeye neden olabilir.
4. Kasanın üst ön paneline yapılandırılmış bir ışık derinliği kamerası monte edin. Kamerayı güvenli bir şekilde sabitlemek için ayarlanabilir bir braket veya yapışkan montaj parçası kullanın. Görüş alanı robotun yaklaşık 0,3 m ila 3,0 m ilerisini kapsayacak şekilde yönlendirin.
5. IR projektörü ve alıcı modüllerini kamera muhafazasına bağlayın ve tüm optik merkezlerin düzgün şekilde hizalandığından emin olun. Derinlik algısını optimize etmek için kameranın eğim açısını ayarlayın.
6. Ayarlanabilir montajı kullanarak kamerayı 15°-30° aşağı doğru eğin. Kasanın hiçbir parçasının yansıtılan IR modelini engellemediğinden emin olun. Bu açı, yakın alan arazi özelliklerinin yakalanmasına ve kör noktalardan kaçınılmasına yardımcı olur.
7. RViz (sürüm 1.14.1) gibi görselleştirme yazılımlarını kullanarak kameranın gerçek zamanlı derinlik çıkışını doğrulayın. Kamera düğümünü başlatın ve derinlik görüntü akışını gözlemleyin. Derinlik kamerasını kasanın ortasına monte edilmiş Mikrodenetleyici Birimine (MCU) bağlayın.
   NOT: Tüm bağlantılar sırasında gücün kapalı olduğundan emin olun. Hareket sırasında dolaşmayı önlemek için kabloları düzenli ve hareketli parçalardan uzak tutun.

2. İç mekan haritalaması için ORB-SLAM2'nin optimizasyonu

1. ORB-SLAM2 ortamını hazırlayın. Standart ROS kalibrasyon araçlarını kullanarak kamerayı (RGB-D) kalibre edin. Başlatma dosyasını kamera konularını, çözünürlüğü (ör. 640 x 480) ve kare hızını (ör. 30 fps) belirtecek şekilde yapılandırın. SLAM sistemini kullanarak başlatın: xtark@tarkbot: $ roslaunch robot_platform slam map.launch slam _methods:=gmapping. Terminalde canlı kamera beslemesini ve SLAM başlatma mesajlarını doğrulayın. Anahtar kareler, hareket başladıktan sonra görünmelidir.
2. Yoğun eşlemeyi desteklemek için ORB-SLAM2'yi değiştirin. Varsayılan eşleme modülünü, anahtar karelerden derinlik verilerini işleyen yoğun bir yeniden yapılandırma iş parçacığı içerecek şekilde genişletin.
3. Seçilen her anahtar kare için: Senkronize RGB ve derinlik görüntülerini çıkarın, kamera iç bilgilerini kullanarak derinlik piksellerini 3B noktalara dönüştürün ve poz bilgilerini kullanarak anahtar kareler arasında birikmiş nokta bulutlarını birleştirin. Birden fazla kilit noktası olan herhangi bir bölgeyi özyinelemeli olarak dört çeyreğe bölün. Her yaprak düğüm en fazla bir baskın anahtar nokta içerene veya bölge boyutu 10 x 10 pikselin altına düşene kadar devam edin.
4. Dörtlü ağaç kullanarak özellik dağılımını geliştirin (bkz. Şekil 2). ORB özellik çıkarma modülünü, dörtlü ağaç tabanlı uzamsal bölümleme stratejisi içerecek şekilde değiştirin. Görüntüyü hiyerarşik ızgara bölgelerine bölün, her bölgeye FAST köşe tespiti uygulayın ve tek tip uzamsal kapsama sağlamak için bölge başına yalnızca en belirgin özelliği koruyun.
5. Her geçerli bölgeden, temsili özellik olarak en yüksek belirginlik yanıtına sahip adayı seçin.
6. EPnP ile poz tahminini iyileştirin. OpenCV'nin solvePnP'sini kullanarak varsayılan poz tahminini (örneğin, yinelemeli yöntemler) Verimli Perspektif-n-Nokta (EPnP) algoritmasıyla değiştirin. Kamera pozunu çözmek için 2B görüntü özelliklerini ve bunlara karşılık gelen 3B harita noktalarını kullanın.
7. Robotu dağıtın, görselleştirin ve kontrol edin. Kararlı iletişim için robotun yerleşik sistemine statik bir IP adresi atayın (örneğin, ROBOT IP: 172.20.10.13). Ana bilgisayarda RViz'i (v1.14.1) açın ve robotun yörüngesini, seyrek ve yoğun nokta bulutu haritalarını, ana karelerini ve algılanan özelliklerini görselleştirmek için yapılandırmayı yükleyin.
8. Haritalama için alanda gezinmek için klavye ok tuşlarını kullanarak robotu manuel olarak kontrol edin. Yörünge çizgisinin RViz'de göründüğünden ve kamera poz karelerinin gerçek zamanlı olarak güncellendiğinden emin olun.
   NOT: Şekil 3 , haritalama sırasında manuel robot kontrolü için klavye düzenini göstermektedir.

3. Quadtree algoritmasını kullanarak özellik noktası işleme

1. ORB özellik çıkarma işlemini aşağıda açıklandığı gibi gerçekleştirin.
   1. OpenCV (sürüm 4.5.3) kullanarak bir ROS görüntü konusundan veya yerel bir veri kümesinden giriş görüntüsünü yükleyin.
   2. Dört seviyeli bir Gauss piramidi oluşturun, görüntüyü tek tip ızgara hücrelerine bölün (seviye başına 8 x 8 hücre). Her hücrede, yerel anahtar noktaları belirlemek için FAST dedektörünü 20 eşikle uygulayın.
2. Aşağıda açıklandığı gibi dörtlü ağaç tabanlı bir özellik iyileştirmesi oluşturun.
   1. Belirli bir piramit seviyesindeki her anahtar nokta kümesi için bir dörtlü ağaç yapısı oluşturun: Kök düğüm olarak tam görüntüyle başlayın. Birden fazla anahtar noktaya sahip herhangi bir bölgeyi özyinelemeli olarak dört çeyreğe bölün. Her yaprak düğüm en fazla bir baskın anahtar nokta içerene veya bölge boyutu 10 x 10 pikselin altına düşene kadar devam edin.
3. Özellik belirginlik değerlendirmesini aşağıda açıklandığı gibi uygulayın.
   1. Denklemi kullanarak bir düğüm içindeki her aday anahtar noktanın belirginliğini değerlendirin:
      (1)
      nerede I_p yerel bir komşuluktaki merkez pikselin yoğunluk değeridir ve I_i 16 komşu pikselinin yoğunluk değerlerini temsil eder. Mutlak fark |I_p - I_i| merkez piksel ile her komşu arasındaki yerel kontrastı ölçer. 16 komşunun tümünün toplamı, merkez piksel etrafındaki genel yerel kontrastın veya doku gücünün bir ölçüsünü sağlar.
   2. Belirginlik puanına göre sıralanmış dinamik bir öncelik sırası kullanarak tüm adayları sıralayın. Her geçerli bölgeden, temsili özellik olarak en yüksek belirginlik yanıtına sahip adayı seçin.
4. Özellik seçimini optimize edin ve doğrulayın
   1. Seçilen tüm özellikleri piramit seviyelerinde birleştirin. Görüntü boyunca tek tip uzamsal kapsama alanı sağlayın. Nihai özellik noktalarını ve tanımlayıcılarını, OpenCV ile uyumlu sürüm olan ORB tanımlayıcı çıkarıcısını kullanarak saklayın.
   2. Özelliklerin birkaç görüntü alanında kümelenmediğini doğrulayın. Özellik noktaları, sağlam izlemeyi destekleyen tekdüze mekansal dağılım sergilemelidir. Hareket halindeyken fiziksel bir robot sisteminde görüntü işlemeyi yürütmekten kaçının. Kamera akışının sabit olduğundan ve çalışma alanının temizlendiğinden emin olun.

4. EPnP kullanarak poz tahmini

1. En az dört eşleşen 3B harita noktası çiftini (dünya koordinatlarında) ve bunlara karşılık gelen 2B görüntü anahtar noktalarını seçerek 2B-3B yazışmalar oluşturun. Bu yazışmaların, izleme iş parçacığında elde edilen geçerli ORB özellik eşleşmelerinden çıkarıldığından emin olun.
2. EPnP ile ilk pozu çözün. Her yaprak düğüm en fazla bir baskın anahtar nokta içerene veya bölge boyutu 10 x 10 pikselin altına düşene kadar devam edin. Kamera pozunu tahmin etmek için OpenCV'nin solvePnP işlevini cv::SOLVEPNP_EPNP bayrağıyla kullanın.

5. ICP ile ince poz iyileştirme

1. Aşağıda açıklandığı gibi nokta bulutu örneklemesi gerçekleştirin.
   1. Hesaplama yükünü azaltmak ve gereksiz verileri kaldırmak için kaynak nokta bulutunu aşağı örnekleyin.
   2. Yapısal özelliklerin her yönde eşit şekilde korunmasını sağlamak için tek tip örnekleme kullanın. Gerekirse, giriş noktası bulutunun yoğunluğuna ve gürültü özelliklerine göre voksel ızgara filtrelemesi veya rastgele seçim uygulayın. Filtrelenen bulutun, toplam nokta sayısını en az P azaltırken nesne konturlarını koruduğundan emin olun.
2. Verimli en yakın komşu aramalarını etkinleştirmek için hedef nokta bulutundan bir KD-Tree oluşturarak karşılık gelen noktaları eşleştirin. Aşağı örneklenmiş kaynak nokta bulutundaki her nokta için, KD-Tree'yi kullanarak hedef buluttaki en yakın noktasını bulun. Bu adım kayıt performansını kritik bir şekilde etkilediğinden nokta eşleştirmede doğruluğu sağlayın.
3. Aşağıda açıklandığı gibi en uygun dönüşümü tahmin edin.
   1. Hem döndürme hem de öteleme dahil olmak üzere katı cisim dönüştürme matrisini hesaplamak için eşleşen nokta çiftlerini kullanın.
   2. Doğrudan döndürme matrisini veren çapraz kovaryans matrisinin tekil değer ayrıştırması (SVD) yoluyla ortalama kare hatasını (MSE) en aza indirerek eşleşen nokta çiftleri arasındaki optimal katı dönüşümü hesaplayın ve ardından döndürülmüş ağırlık merkezlerine dayalı olarak çeviri vektörünün hesaplanmasını sağlayın.
4. Hesaplanan dönüşümü kaynak nokta bulutuna uygulayın ve tüm nokta koordinatlarını güncelleyin. Nokta eşleştirme ve dönüştürme tahmini işlemini yinelemeli olarak yineleyin. Kayıt hatası önceden tanımlanmış bir eşiğin altına düşene veya maksimum yineleme sayısına ulaşılana kadar yinelemeye devam edin.

6. Yoğun nokta bulutu haritası yapımı

1. İç ortamların doğru ve ayrıntılı bir temsilini elde etmek için yoğun bir 3 boyutlu nokta bulutu haritası oluşturun. Aşağıda açıklanan adımları izleyin (bkz. Şekil 4).
2. Anahtar karelerden RGB ve derinlik verilerini çıkarın. Görsel zenginliğe ve uzamsal kapsama göre ana kareleri seçin. Seçilen her ana kareden hem RGB görüntüsünü hem de RGB-D sensöründen karşılık gelen hizalanmış derinlik haritasını çıkarın.
3. Görüntü piksellerini 3B kamera koordinatlarına dönüştürün. Her geçerli derinlik pikseli için, iç kamera parametrelerini kullanarak 2B pikseli 3B alana yansıtın. Bu işlem, kamera koordinat sisteminde 3 boyutlu koordinatlar oluşturur.
4. Kamera koordinatlarını dünya koordinatlarına dönüştürün. Her anahtar kare için ORB-SLAM2'den optimize edilmiş kamera pozunu alın. 3B kamera koordinatlarını dünya koordinat sistemine dönüştürmek ve tüm nokta bulutlarını ortak bir küresel referansta hizalamak için kamera pozunu kullanın.
5. Renklendirilmiş 3D noktalar oluşturun. Dönüştürülen her 3B nokta için orijinal görüntüden karşılık gelen RGB değerini atayın. Bu, hem geometriyi hem de görünümü yakalayan renklendirilmiş bir nokta bulutu ile sonuçlanır.
6. Tüm anahtar karelerdeki nokta bulutlarını birleştirin. Dönüştürülmüş ve renklendirilmiş tüm nokta bulutlarını birleşik bir küresel nokta bulutu haritasında toplayın. Her ana kareyle ilişkili kamera pozlarını kullanarak doğru hizalamayı sağlayın.
7. PCL'yi kullanarak son haritayı kaydedin ve iyileştirin. Son haritayı iyileştirmek için Nokta Bulutu Kitaplığı'nı (PCL) kullanın. Gürültüyü gidermek için filtreleme uygulayın ve verimliliği artırmak için aşağı örnekleme uygulayın. Gerekirse nokta bulutları arasındaki hizalamaya ince ayar yapmak için genel kayıt gerçekleştirin (örneğin, ICP kullanarak) (bkz. Şekil 5).
   NOT: Şekil 6'da gösterildiği gibi, yoğun haritalama başlatma aşaması sırasındaki ilk nokta bulutu hizalaması, sınırlı gözlemsel veriler nedeniyle geçici yanlış hizalama sergileyebilir ve bu, ek bakış açıları dahil edildikçe hızla yakınsar. Robotun çevreyi dolaşması kontrol edilerek tam bir üç boyutlu model elde edilebilir.

7. VSLAM'den türetilen nokta bulutlarından bir doluluk ızgara haritası oluşturun

1. Küresel yoğun nokta bulutunu aşağı örnekleyin. Fazlalığı azaltmak ve ızgara yapımı için uzamsal çözünürlüğü tanımlamak için 0,05 m'lik bir voksel çözünürlüğü kullanarak voksel ızgara filtrelemesi uygulayın.
2. Project 3D, bir 2D doluluk ızgarasına işaret eder. Tüm 3B noktaları yatay (xy) düzleme yansıtın. Alanı, her biri gerçek dünyada 0,05 m x 0,05 m kareyi temsil eden tek tip ızgara hücrelerine ayırın.
3. Doluluk olasılıklarını tahmin edin. Nokta yoğunluğuna ve simüle edilmiş ışın izlemeye dayalı olarak her hücrenin doluluk olasılığını hesaplamak için bir ters sensör modeli kullanın.
   1. Dolu olasılık eşiğini 0,65 olarak ayarlayın. Serbest olasılık eşiğini 0,35 olarak ayarlayın. Ara değerlere sahip ızgara hücrelerini bilinmeyen olarak sınıflandırın.
4. Engel şişirme uygulayın. Robot açıklığını ve güvenlik marjlarını hesaba katmak için 0,2 m yarıçaplı dairesel bir çekirdek uygulayarak işgal edilen bölgeleri şişirin.
5. Doluluk haritasını dışa aktarın. ROS tabanlı navigasyon sistemleriyle uyumluluğu sağlamak için, oluşturulan doluluk tablosu haritasını, karşılık gelen bir m.yaml meta veri dosyasıyla birlikte Taşınabilir GrayMap formatında kaydedin.

8. Geliştirilmiş küresel yol planlama stratejisi (RRT algoritmasına dayalı)

1. Yol ağacını başlatın. Robotun başlangıç konumunu ağacın kök düğümü olarak ayarlayın. Yeni alanları keşfetmek için yapılandırma (durum) alanındaki noktaları rastgele örnekleyin.
2. En yakın mevcut düğümü belirleyin. Yeni örneklenen her rastgele nokta için, mevcut tüm düğümlere olan Öklid mesafesini hesaplayın. Genişletme tabanı olarak hizmet verecek en yakın düğüm olarak minimum mesafeye sahip düğümü seçin.
3. Rastgele örneğe doğru yeni bir düğüm oluşturun. En yakın düğümden örneklenen noktaya doğru yönlü bir birim vektörü oluşturun. Yeni bir düğüm oluşturmak ve onu ağaca bağlamak için bu yönde sabit bir adım (başlangıçta) hareket ettirin.
4. Sabit adım boyutunu uyarlanabilir bir mekanizma ile değiştirin. Sabit bir adım boyutu kullanmak yerine, adım uzunluğunu yerel engel yoğunluğuna göre dinamik olarak ayarlayın. Ağaç genişlemesini hızlandırmak için açık ortamlarda daha büyük adımlar kullanın. Dağınık veya dar bölgelerde, kontrolü ve engellerden kaçınmayı iyileştirmek için adım boyutunu küçültün.
5. Uyarlanabilir adım boyutunu aşağıda açıklandığı gibi gerçek zamanlı olarak hesaplayın.
   1. Mevcut bölgenin etrafındaki engellerin yoğunluğunu tahmin etmek için sensör verilerini (örneğin LiDAR veya derinlik kamerası) kullanın.
   2. Algılanan engellerin sayısı düşükse, adım boyutunu biraz artırın. Engeller yoğunsa, güvenli geçiş için daha fazla ara düğüm eklemek üzere adım boyutunu orantılı olarak azaltın.
6. Genişletme işlemini yineleyin. Uyarlamalı adım boyutunu kullanarak örneklemeye, en yakın düğüm aramaya ve yeni düğüm oluşturmaya devam edin.
7. Düzgünleştirme için B-spline eğrileri uygulayın. Düzgünlüğü artırmak için RRT yolundaki çoklu çizgi segmentlerini sürekli bir B-spline eğrisi ile değiştirin. Orijinal RRT yolu boyunca, genellikle dönüş noktalarında veya önemli ara noktalarda kontrol noktalarını seçin. Bu kontrol noktalarını sırayla birleştirerek bir kontrol poligonu oluşturun.
8. B-spline eğrisini oluşturun. Standart B-spline formülü^15'i kullanın:
   (2)
   Bu formül, son eğri C(u)'nun kontrol noktalarının ağırlıklı bir kombinasyonu olduğu B-spline eğrilerinde kullanılır. Ağırlıklar, eğrinin düzgün olmasını ve kontrol noktaları tarafından tanımlanan genel şekli takip etmesini sağlayan B-spline temel fonksiyonları N_i,k (u) tarafından belirlenir.
9. Eğri derecesini 3 (kübik) olarak ayarlayın, bu da sürekliliği sağlar (düzgün birinci ve ikinci türevler). PyCharm 2024.3'te yazılmış yol planlama modülünü kullanın.

9. Modifiye TEB ile yerel yörünge optimizasyonu

1. Aşağıda açıklandığı gibi en kısa mesafe kısıtlamasını tanıtın.
   1. Bu dezavantajları azaltmak için TEB çerçevesine en kısa mesafe kısıtlaması entegre edilmiştir.
   2. Kısıtlamayı, robotun mevcut konumu S_t ile yörünge boyunca gelecekteki bir poz S_i+n arasındaki Öklid mesafesi olarak tanımlayın:
      (3)
      Bu kısıtlama, yolun küresel yol koridorunun kenarına yakın kalmasını teşvik ederek, planlama kalitesini ve güvenliğini artırarak verimsiz sapmaları cezalandırır.
2. Orijinal TEB optimizasyon grafiğini mesafe kısıtlamasını ek bir kenar olarak içerecek şekilde değiştirerek kısıtlamayı TEB maliyet fonksiyonuna entegre edin. Toplam maliyet işlevini, sorunsuzluk, fizibilite ve enerji verimliliğini dengeleyen _fos için ağırlıklı bir terim içerecek şekilde ayarlayın.
3. Kısıtı TEB maliyet fonksiyonuna entegre edin. Optimizasyon sırasında hız, ivme, engellerin aşılması ve eklenen en kısa mesafe terimi dahil olmak üzere toplam maliyeti en aza indiren yörünge noktalarını çözün. TEB'in temel çözücüsünü kullanarak N zaman aralığında yörüngeyi yinelemeli olarak optimize edin. Kısıtlamayı göz önünde bulundurarak yolu optimize edin (bkz. Şekil 7).

Sonuçlar

Geliştirilmiş ORB-SLAM2'nin değerlendirilmesi
Özellik çıkarma deneyi
Bir RGB-D derinlik kamerasının pratik senaryolardaki etkinliğini değerlendirmek için bir özellik noktası çıkarma deneyi yapıldı. Test, gerçek dünyadaki görsel karmaşıklığı simüle etmek için her biri nesne rengi ve parlaklığı bakımından farklılık gösteren iki farklı arka plan ortamı kullanılarak tasarlandı.

Hem önerilen geliştirilmiş ekstraksiyon yöntemi hem de geleneksel temel yaklaşım...

Tartışma

Bu çalışmanın odak noktası olan tekerlekli mobil robotlar için otonom iç navigasyon sistemlerindeki iki temel teknoloji, görsel eşzamanlı yerelleştirme ve haritalama (SLAM)^16,17 ve yol planlama^18'dir. SLAM modülü, ORB-SLAM2'nin eşit olmayan özellik noktası dağılımını düzeltmek için dörtlü ağaç tabanlı bir hiyerarşik seçim yöntemi önerir. Oluşturulan haritanın kesinliğini artırmak için eşzamansız yoğun bir ...

Malzemeler

Bu makalede kullanılan malzemelerin listesi

Ad	Şirket	Katalog numarası	Yorumlar
Astra Pro Plus 3D Kamera	CRBBEC	Hiç kimse	3D Kamera
TARKBOT-R20-TWD	Hiç kimse	Hiç kimse	ROS Robotu