6-2-воротников

Сравнение алгоритмов

Локализация робота

Важнейшей задачей мобильного робота является локализация, т.е. точное определение своего положения в пространстве относительно других объектов (рис. 96).

Различают локальную и глобальную локализацию. При локальной локализации отслеживают положение робота на карте, когда его начальные координаты известны, а при глобальной — определяют его местоположения на незнакомом месте (обычно, с помощью GPS).

Способы локальной локализации робота можно разделить на 2 основные категории:

локализация по ориентирам (опорным точкам);

локализация с помощью сопоставлению полных сканов.

Рис. 96. Локализация: робота-пылесоса (а), автомобиля (б)

Локализация по ориентирам основана на выделении и распознавании ориентиров (особых точек), и определении своего геометрического положения относительно их. Ориентиры могут быть даны априори или получены роботом во время построения карты местности.

Локализация с помощью сопоставлению полных сканов использует любую доступную информацию, чтобы обновить положение робота. Это достигается путем сопоставления сканов с картой местности или помещения без извлечения особых точек в качестве ориентиров.

Локализация по ориентирам

Локализация по ориентирам (маякам) является самым простым и разработанным решением как в промышленных транспортных (рис. 97, а), так и в учебных роботах.

!

Рис. 97. Складские роботы Fetch Robotics (а), локализация по трем маякам (б)

Локализация с помощью сопоставлению полных сканов

К способу локализации по сопоставлению полных сканов относятся следующие группы

алгоритмов:

локализация с помощью сопоставления точек двух сканов, например, Iterative Closest Point (ICP) – итерационный метод ближайших точек, Iterative Dual Correspondence (IDC) – итерационный метод двойного соответствия;

локализация с помощью сегментов линий карты;

локализация с использованием взаимной корреляционной функции, к примеру, на основе

гистограмм, или функции в алгоритме NDT (Normal Distributions Transform – преобразование нормальными распределениями, рис. 99, б);

метод рекуррентной фильтрации.

В основе этой группы алгоритмов лежит процесс поступательного перемещения и поворота дальнометрического скана так, чтобы он максимально совпал с предыдущими или картой, заданной априори. Многие алгоритмы требуют начальной оценки положения, которая берется из одометрии.

Сравнительный анализ алгоритмов локализации

Анализируя способы и алгоритмы локализации можно сделать следующие выводы (табл. 6):

марковская локализация является самым надежным методом, но наименее точным, и требует большого количества вычислений;

метод ICP позволяет добиться большей точности, но не использует построенную карту, что приводит к накоплению ошибки в процессе работы;

самым точным из вышеперечисленных является алгоритм NDT, однако, он чувствителен к шуму измерений.

Вывод:

Для локализации робота целесообразно использовать алгоритм NDT с предварительным

шумподавлением.

Локализация и построение карты

За последние 10 лет получили распространение алгоритмы локализации робота, основанные на методе одновременной локализации и построения карты SLAM (от англ. Simultaneous Location and Mapping). Метод SLAM позволяет строить и обновлять карту пространства одновременно с

контролем текущего местоположения и пройденного пути (рис. 100).

SLAM является типичной проблемой курицы и яйца: карта необходима для локализации, а

локализация необходима для создания карты. Алгоритмы SLAM используют итерационные процедуры.

Главные задачи метода SLAM:

при построении карты — интерпретация данных

от датчиков;

при локализации — определение текущего положения робота на постоянного обновляемой карте.

Основные направления SLAM

Рис. 100. Пример карты

Эти направления, в частности, реализованы в операционной системе роботов ROS.

1.В алгоритме GMapping используют данные от лазерного дальномера и одометрии робота.

2.Hector mapping использует данные от высокоскоростных LIDAR-ов (без одометрии).

3.Алгоритм Visual SLAM основан на методах компьютерного зрения.

4.Пакет RGB SLAM основан на применении облака точек с RGBD датчиков (типа Kinect).

Visual SLAM. Робот-пылесос Samsung Hauzen RE70V

Алгоритмы SLAM

С точки зрения алгоритмов обработки данных, при реализации метода SLAM можно выделить 3 основных подхода, использующих:

расширенный фильтр Калмана (Extended Kalman Filter, EKF);

фильтр частиц (Particle Filter);

графы.

На данный момент наиболее популярны методы, использующие расширенный фильтр Калмана и фильтр частиц. Постепенно второй подход вытесняет первый.

Расширенный фильтр Калмана использует расширенный вектор состояния, который включает

как положение робота, так и положение всех элементов карты. Для предсказания следующего состояния системы (например, положения робота в конкретный момент времени) необходимо иметь текущее измерение, а также знать предыдущее состояние самого фильтра.

Главным недостатком фильтра является его квадратичная вычислительная сложность от числа объектов на карте. Размер карты, как правило, не превышает 1000 элементов.

Вероятность частиц рассчитывается на основе разности реальных показаний дальномера и показаний, которые должны были бы быть в данной частице.

Фильтр частиц (в частности, алгоритм DP-SLAM) имеет логарифмическую сложность (зависит от количества ячеек на карте и числа частиц).

Фильтр частиц. Принцип работы

Алгоритм FastSLAM (Фильтр частиц)