Preview

Мехатроника, автоматизация, управление

Расширенный поиск
Доступ открыт Открытый доступ  Доступ закрыт Только для подписчиков

Последовательное сравнение сканов для навигации мобильного робота в условиях слабоструктурированной местности

https://doi.org/10.17587/mau.22.246-253

Полный текст:

Аннотация

Для обеспечения беспилотного автономного движения наземных робототехнических средств требуется точно определять положение и ориентацию робота. Настоящее исследование связано с оценкой координат с помощью сопоставления сканов лазерного сканирующего дальномера в условиях слабоструктурированной местности и отсутствия сигнала глобальной спутниковой связи. Существующие методы сопоставления сканов имеют существенные недостатки в условиях движения по слабоструктурированной местности, связанные как со временем обработки данных от лазерного сканирующего дальномера, так и с качеством получаемых результатов. Предложенный метод основан на использовании искусственного потенциального поля фиксированного размера, создаваемого для каждой точки скана. Для простоты описания весь скан предварительно помещается в карту, состоящую из ячеек. При этом описываемые силы потенциального поля могут быть представлены законами, относящимися как к физике мира, так и к теории вероятностей. В ячейках карты происходит учет взаимовлияния всех сил от каждой точки скана, и, таким образом, получается итоговое искусственное потенциальное поле скана. Положение робота оценивается по изменению числа действующих сил одного скана на точки смежного скана с учетом их направления. Оценка ориентации осуществляется на основании суммы векторных моментов сил, действующих на точки смежного скана. Такой способ позволяет быстро оценивать смещение робота между сканами вне зависимости от условий движения и характера местности. В статье приведены результаты компьютерной апробации метода на данных, полученных от 3D-лидара Velodyne HDL-32 и обозначены условия работы метода для данного лидара, а также время, затрачиваемое на расчет оценки смещения. Ввиду особенности лидара при движении робота приводится способ устранения эффекта Доплера (дисторсии) для исходного облака точек. Проведенный сравнительный анализ разработанного метода по отношению к способу комплексирования данных от колесной одометрии, блока инерциальной и спутниковой навигации, использующий расширенный фильтр Калмана (Extended Kalman Filter), показывает применимость метода для оценки положения и ориентации робота в условиях его движения по слабоструктурированной местности.

Об авторе

Н. А. Бузлов
МГТУ им. Н. Э. Баумана
Россия

аспирант

г. Москва 



Список литературы

1. Brands and companies. Top 50 developers of autonomous cars and technologies in the world, Cars section of the drone website, available at: https://bespilot.com/marki-i-kompanii.

2. Sokolov S. M., Boguslavsky A. A. Unified layout of integrated intelligent systems for information support of autopilots of mobile devices, Izvestia of the Southern Federal University. Technical Science, 2016, no. 2 (175), pp. 200—213 (in Russian).

3. Gerasimov V. N., Mikhailov B. B. Solving the problem of controlling the movement of a mobile robot in the presence of dynamic obstacles, Vestnik BMSTU. Instrumentation. Special issue "Robotic systems", 2012, no. 6, pp. 83—92 (in Russian).

4. Reutov E. V., Golovina L. S. Problematic aspects of the operation and design of unmanned vehicles, International Scientific Research Journal. 2019. no. 5-2 (83), pp. 14—18 (in Russian).

5. Adamova A. D., Zhukabaeva T. K., Mukanova Zh. A. Review of methods for localization and construction of maps of the surrounding area of mobile robots, Automation. Computer Science, 2018, no. 2 (43), pp. 57—62 (in Russian).

6. Kaess M., Dellaert F. Probabilistic structure matching for visual SLAM with a multi-camera rig, Computer Vision and Image Understanding, 2010, vol. 114, pp. 286—296.

7. Carrera G., Angeli A., Davison A. J. SLAM-based automatic extrinsic calibration of a multi-camera rig, 2011 IEEE International Conference on Robotics and Automation, Shanghai, China, 2011, pp. 2652—2659.

8. Davison A., Gonz lez Y., Kita N. Real-time 3D SLAM with wide-angle vision, IFAC Proceedings Volumes, 2004, vol. 37, no. 8, pp. 868—873.

9. Altukhov V. G. Overview of omnidirectional vSLAM mobile robot navigation technology, Collection of scientific papers of the Novosibirsk State Technical University, 2018, no. 2, pp. 81—92 (in Russian).

10. Borisov A. G., Gol S. A., Luksha S. S. Analysis of the efficiency of algorithms for processing three-dimensional laser scans in the problem of building maps for navigation of mobile robots, Bulletin of the Ryazan State Radio Engineering University, 2013, no. 46 (3), pp. 34—42 (in Russian).

11. Besl P. J. and McKay N. D. A method for registration of 3-D shapes, IEEE Transactions on Pattern Analysis and Machine Intelligence, 1992. Vol. 14, pp. 239—256.

12. Removing outliers using a Conditional or Radius Outlier removal, PointCloud.org, available at: http://pointclouds.org/documentation/tutorials/remove_outliers.php (дата обращения 20.12.2019).

13. Eggert D. W., Fitzgibbon A. W., Fisher R. B. Simultaneous registration of multiple range views for use in reverse engineering of CAD models, Comput. Vis. Image Underst., 1998, vol. 69, pp. 253—272.

14. Bergevin R., Soucy M., Gagnon H., Laurendeau D. Towards a general multi-view registration technique, IEEE Trans. Pattern Anal. Mach. Intell., 1996, vol. 18, no. 5 pp. 540—547.

15. Lu F. Robot Pose Estimation in Unknown Environments by Matching 2D Range Scans, Journal of Intelligent and Robotic Systems, 1997, no. 18 (3), pp. 249—275.

16. B dkowski J, Mas owski A. GPGPU implementation of On-Line point to plane 3D data registration, Proceedings of the 2011 International Conference on Electrical Engineering and Informatics, 2011, Jul 17, pp. 1—6.

17. Minguez J., Montesano L., Lamiraux F. Metric-Based Iterative Closest Point Scan Matching for Sensor Displacement Estimation, IEEE Transactions on Robotics, 2006, vol. 22, iss. 5, pp. 1047—1054

18. Biber P., Strasser W. The normal distributions transform a new approach to laser scan matchin, Proceedings of Intelligent Robots and Systems, 2003. Vol. 3, pp. 2743—2748.

19. Magnusson M. The three-dimensional normal-distributions transform: an efficient representation for registration, surface analysis, and loop detection Philosophy doctor, Örebro universitet, 2009.

20. Steder B., Rusu R. B., Burgard W. Point feature extraction on 3D range scans taking into account object boundaries, Computer Science Published in IEEE International Conference, 2011, DOI:10.1109/ICRA.2011.5980187.

21. Steder B., Rusu R. B., Konolige K., Burgard W. NARF: 3D range image features for object recognition, Workshop on Defining and Solving Realistic Perception Problems in Personal Robotics at the IEEE/RSJ Int. Conf. on Intelligent Robots and Systems (IROS), 2010, Oct 8. Vol. 44.

22. Radu B. R., Blodow N., Beetz M. Fast Point Feature Histograms (FPFH) for 3D registration, 2009 IEEE International Conference on Robotics and Automation, Kobe, Japan, 2009.

23. Robot Operating System, available at: http://www.ros.org/wiki/ (date of access 04.03.2018).

24. Merriaux P., Dupuis Y., Boutteau R., Vasseur P., Savatier X. LiDAR point clouds correction acquired from a moving car based on CAN-bus data, arXiv preprint arXiv:1706.05886. 2017 Jun 19.

25. Moore T., Stouch D. A. Generalized extended Kalman filter implementation for the robot operating system, Intelligent autonomous systems, 2016, no. 13, pp. 335—348.


Для цитирования:


Бузлов Н.А. Последовательное сравнение сканов для навигации мобильного робота в условиях слабоструктурированной местности. Мехатроника, автоматизация, управление. 2021;22(5):246-253. https://doi.org/10.17587/mau.22.246-253

For citation:


Buzlov N.A. Scan Matching for Navigation of a Mobile Robot in Semi-Structured Terrain Conditions. Mekhatronika, Avtomatizatsiya, Upravlenie. 2021;22(5):246-253. https://doi.org/10.17587/mau.22.246-253

Просмотров: 138


ISSN 1684-6427 (Print)
ISSN 2619-1253 (Online)