Clever Geek Handbook

Investigasi metode SLAM untuk navigasi robot seluler dalam ruangan. Pengalaman Penelitian Robotika R2

pengantar

Saat ini, ada banyak jenis kendaraan udara tak berawak otonom dan navigasi robot.  Secara umum, mereka dapat dibagi menjadi navigasi dalam ruangan - dalam ruangan , dan luar ruangan - luar ruangan .





Pada gilirannya, navigasi dalam ruangan juga mengatasi berbagai tantangan. Biasanya, ini adalah robot seluler yang dirancang untuk memindahkan barang di gudang, penyedot debu robot, robot untuk merchandising, komunikasi interaktif dengan pelanggan, pelayan, dll. Saat kita beralih ke navigasi dalam ruangan, kita langsung kehilangan semua manfaat navigasi satelit, karena sinyal satelit biasanya tidak mencapai perangkat melalui struktur beton dan logam. Di sisi lain, karena fakta bahwa ruang di dalam gedung seringkali terbatas pada area yang relatif kecil, dimungkinkan untuk menggunakan alat bantu navigasi seperti triangulasi, navigasi menurut berbagai tanda (kode QR yang menunjukkan perintah selanjutnya untuk robot, garis sinyal ke arah perjalanan, tanda di dinding untuk lokasi koreksi), Navigasi SLAM , serta kombinasi dari metode di atas.





Metode navigasi yang disajikan sangat berbeda dalam teknologi yang digunakan dan memiliki kelebihan dan kekurangannya sendiri. Pada artikel ini, hanya metode navigasi SLAM yang akan dipertimbangkan, yang merupakan yang paling menjanjikan dari yang terdaftar untuk bekerja di ruang yang belum dijelajahi. Metode ini menarik karena dapat digunakan di ruangan yang tidak diketahui robot untuk membuat peta dan kemudian menggunakannya. Perlu diingat bahwa SLAM membutuhkan berbagai sumber data, termasuk odometri.





1. SLAM

SLAM . (Simultaneous Localization and Mapping). , , .





, SLAM . , , , , , . , . , (, , IMU ). , , . , , , . , , , .





, SLAM , . , , . SLAM [1]:





u t,





z , t,





m , x – t. , , ( 1):





Gambar 1 - Model grafis pendekatan SLAM [1]
1 – SLAM [1]

SLAM 2D, 3D. 3D , , . , , . , SLAM SLAM . , SLAM, (grid-based), (feature-based) (graph-based) , (topological) (semantic) [1].





1.1 Feature-based SLAM





Feature-based SLAM . SLAM (EKF – Extended Kalman Filter).





1.2 Graph-based SLAM





SLAM , , , . . , , . SLAM (VSLAM Rtabmap), [1].





1.3 Grid-based SLAM





. . , . , 1 , 0 [1]. 0 1 .





1.4 Topological SLAM





SLAM - , . , . , , . , [1].





1.5 SemanticSLAM





. , , . , , . , Carlos Miguel [1] SLAM [7, 9].





1.6 SLAM





SLAM Robotic Operating System (ROS) , , : GMapping [2], Cartographer [3], Rtabmap [4, 9]. ROS. , SLAM, .





Gmapping . , 2D , 360 . , , .





Gambar 2 - Pemetaan Peta
2 – Gmapping

- (Adaptive Monte Carlo Localization – AMCL). , [5]. , , , . , « » . , , , .





Google Cartographer GMapping , 2D . , Gmapping, . , Cartographer , – cells. , Cartographer «» «» «» «» [3]. , Cartographer - . - , . ( ) , , .





Gambar 3 - Peta Kartografer [3]
3 – Cartographer [3]

, SLAM SLAM. SLAM . , SLAM , , SLAM . , SLAM [3, 6].





Gambar 4 - Skema algoritma Google Cartographer [3]
4 – Google Cartographer [3]

, Cartographer 3D [3, 6]. , . , .





, GMapping, Cartographer ( , 3D ), RGBD -, .





, Cartographer – SLAM. , GMapping, .





Rtabmap – SLAM, , [4, 7, 8, 9].





. Rtabmap 2D , , . . , . , .





Gambar 5 - Database Gambar Rtabmap dan Pencocokannya
5 – Rtabmap

, , , , . , , , . , Rtabmap , , , – . Rtabmap , . , , , – , . . Rtabmap .





, 2D , . Rtabmap : , RGBD , -, , IMU. , RGBD -. . 2D , RGBD - 2D Rtabmap. , , «» , .





, . , Rtabmap . , , . , , 2D . Rtabmap , , . , , . , , . , «» .





, , SLAM – . – Rtabmap , ( , , IMU, ). , , , , , , SLAM .





SLAM

SLAM . , . 5 , 100 2.





Gambar 6 - Simulasi ruangan (600 m2) di Gazebo
6 – (600 2) Gazebo

GMapping. . , , ( 3020 ), «» 2D , , . 





Gambar 7 - Peta simulasi dibangun di atas lidar a) Gmapping b) Rtabmap
7 – ) Gmapping b) Rtabmap

, . SLAM.





Google Cartographer . , . , Cartographer .





GMapping Cartographer, Rtabmap SLAM 2D , . , Rtabmap , .





SLAM

Rtabmap. , RGBD . , SLAM.





, Cartographer – RGBD . Cartographer , Rtabmap .





, , , , , . , , , , , . , , – 2D , - ( 2D , . . , 3D , , 2D , RGBD -).





. , ( ), , , . , – , , , . - , , , . , ( ) , .





, , , . . -, . , , . -, , , , (Rtabmap , ). ROS. , , , , .





, , , . Rtabmap , ICP (Iterative Closest Point). , . , , ICP , ICP , .





, , , . Rtabmap , , , . , , , . , – , , .





. , . , , . , ; , , , , , .





Rtabmap . , . Cartographer.





, SLAM Gmapping, Rtabmap Google Cartographer. , . Gmapping – SLAM, . , 2D . , Cartographer Rtabmap , ( Rtabmap). , – Gmapping. 





SLAM .





  1. Pedrosa, E., L. Reis, C. M. D. Silva and H. S. Ferreira. Autonomous Navigation with Simultaneous Localization and Mapping in/outdoor. 2020.





  2. Gmapping [ ] URL: http://wiki.ros.org/gmapping, – . . . : 14.08.2020 .





  3. Google Cartographer ROS [ ] URL: https://google-cartographer-ros.readthedocs.io/en/latest/#, – . . . : 04.11.2020 .





  4. RTAB-Map, Real-Time Appearance-Based Mapping [ ] URL: http://introlab.github.io/rtabmap/, – . . . : 22.06.2020 .





  5. Adaptive Monte Carlo localization [ ] URL: http://wiki.ros.org/amcl, – . . . : 03.08.2020 .





  6. Building Maps Using Google Cartographer and the OS1 Lidar Sensor [ ] URL: https://ouster.com/blog/building-maps-using-google-cartographer-and-the-os1-lidar-sensor/, – . . . : 25.02.2021 .





  7. Labbé, M, Michaud, F. RTAB-Map sebagai pustaka pemetaan dan pelokalan visual sumber terbuka dan simultan untuk operasi online skala besar dan jangka panjang. Robotika Lapangan J. 2019; 35: 416- 446.





  8. Silva, BMFD; Xaverius, RS; Gonçalves, Pemetaan dan Navigasi LMG untuk Robot Dalam Ruangan di bawah ROS: Analisis Eksperimental. Pracetak 2019.





  9. Mathieu Labbe dan François Michaud. Deteksi Penutupan Loop Global Online untuk SLAM Berbasis Grafik Multi-Sesi Skala Besar. Konferensi Internasional IEEE / RSJ 2014 tentang Robot dan Sistem Cerdas, halaman 2661-2666, 2014.







More articles:


All Articles