Система автономной навигации антропоморфного робота

Июль 28, 2022

Главная
Информатика
Система автономной навигации антропоморфного робота

Содержание

3. Цели и задачи Цель Разработать систему автономной навигации для антропоморфного робота AR600E. Задачи: Поиск и исследование
4. Средства, методы и подходы
5. Платформа разработки В качестве платформы для разработки был выбран фреймворк ROS на ОС Ubuntu. Причины: Предоставляет
6. SLAM (с англ. одновременная локализация и картография) Для автономной навигации, да и вообще чего - либо,
7. В качестве SLAM алгоритма была выбрана реализация библиотеки rtabmap. Качественно задокументирована Поддерживает многие датчики в качестве
9. Источники данных для SLAM алгоритма
10. Источники данных для SLAM алгоритма В качестве источников данных могут выступать практически любые датчики, помогающие определить
11. RGB-D камеры Предоставляет RGB снимок и карту глубины Хорошо поддерживаются много библиотеками Дает приемлемую точность (зависит
12. Стерео камеры Высокая дальность Практически нет слепой зоны Точность ниже, чем у RGB-D камер Пара веб
13. Лидары Высокая дальность Высокая стоимость Возможно использование в будущем В данный момент нет необходимости, т.к. работа
14. Подходы к решению задачи автономной навигации Планирование по карте препятствий (OccupancyGrid)
15. Этот подход позволяет решать задачу навигации на плоскости, что довольно просто. Карта препятствий - 2D изображение,
16. ROS концепция Move Base Это концепция ROS, которая работает с 2 планерами: Local Planner Управляет мобильной
17. Footstep planner Один из сценариев использования этих данных в контексте навигации и движения робота это построение
18. footstep_planner & humanoid_navigation Код данной работы был опубликован в виде ros пакета Armin Hornund'ом. Данный модуль
19. Применение пакета footstep_planner Мне удалось исправить в нем ошибку, которая не давала применить его на динамически
20. Подходы к решению задачи автономной навигации Навигация в [плотных] облаках точек
21. Vigir footstep planner
22. Move It Пакет планирования сложных движений для роботов любой конструкции. Робот представляется в виде модели с
24. Проектирование архитектуры
25. Обоснование В нашем случае система расчёта движений (ФРУНД) не может реализовывать шаги, поступающие извне. Наоборот, ФРУНД
28. Дальнейшие работы Возможно разработка упрощенного варианта 2D планера. Т.к. многие возможности footstep_planner’a в данном варианте архитектуры
29. Дополнительные работы Обнаружение препятствий в облаке точек по направлению движения робота SpeechAI Разработанный мной лингвистический ИИ
30. Список использованных источников http://hrl.informatik.uni-freiburg.de/ Много работ с антропоморфным роботом Nao. В частности автономная навигация и коррекция
31. Вопросы
32. Системы координат
34. Скачать презентацию

Слайд 2

Слайд 3

Цели и задачи
Цель
Разработать систему автономной навигации для антропоморфного робота AR600E.
Задачи:
Поиск и

исследование аналогов
Планирование архитектуры системы
Разработка:
Подсистемы планирования траектории движения робота
Подсистемы планирования параметров текущего шага робота (Марков А.Е.)

Слайд 4

Средства, методы и подходы

Слайд 5

Платформа разработки
В качестве платформы для разработки был выбран фреймворк ROS на

ОС Ubuntu.
Причины:
Предоставляет много нужных пакетов для робототехники
В частности хорошо развиты стеки:
Навигации
Локализации
Картографии (SLAM алгоритмы)
Планирования движений и маршрутов
Предоставляет визуализаторы, удобную концепцию сообщений и подписчиков и много другого.
http://www.ros.org/core-components/

Слайд 6

SLAM (с англ. одновременная локализация и картография)
Для автономной навигации, да и

вообще чего - либо, требующего полной информации об окружении нужна карта самого окружения.
Для этих задач хорошо подходит карта в виде облака точек.
Vision-based SLAM алгоритмы позволяют строить карту окружения и приблизительно оценивать местоположение в ней.
На входе:
Данные с датчиков, помогающих оценить местоположение
Данные с Vision датчиков (будет разобрано далее)
На выходе:
Карта окружения
Аппроксимация местоположения

Слайд 7

В качестве SLAM алгоритма была выбрана реализация библиотеки rtabmap.
Качественно задокументирована
Поддерживает многие

датчики в качестве источников данных (см. далее)
В меру требовательна к ресурсам даже при создании больших карт (хватает ноутбука с Intel Core i3 + 4 Гб RAM)
Имеет множество настроек и легко расширяема
Предоставляет много доп. функций (например карту препятствий)
Интеграция с библиотекой Octomap (спец. структуры для хранения и обработки плотных облаков точек)
Имеется также ряд других реализаций:
hector_slam (строит только 2D карту препятствий)
RGBDSLAMv2 (глубокая beta и слабая документация)
Kinect Fusion, PCL KinFU, ElasticFusion (строят мешь, высокие требования к ресурсам, малый размер карты)

Слайд 8

Слайд 9

Источники данных для SLAM алгоритма

Слайд 10

Источники данных для SLAM алгоритма
В качестве источников данных могут выступать практически

любые датчики, помогающие определить местоположение:
ИНС
Данные с моторов (для колесных роботов)
Для Visual-based SLAM'а необходимы источники, связанные с «глубиной», которые будут рассмотрены далее

Слайд 11

RGB-D камеры
Предоставляет RGB снимок и карту глубины
Хорошо поддерживаются много библиотеками
Дает приемлемую

точность (зависит от расстояния. От 1 мм до 5 см)
Дальность 4 метра
Слепая зона 0.5 метра

Слайд 12

Стерео камеры
Высокая дальность
Практически нет слепой зоны
Точность ниже, чем у RGB-D камер
Пара

веб камер - не в состоянии дать качественные результаты

Слайд 13

Лидары
Высокая дальность
Высокая стоимость
Возможно использование в будущем
В данный момент нет необходимости, т.к.

работа на открытом пространстве от робота не требуется

Слайд 14

Подходы к решению задачи автономной навигации
Планирование по карте препятствий (OccupancyGrid)

Слайд 15

Этот подход позволяет решать задачу навигации на плоскости, что довольно просто.

Карта препятствий - 2D изображение, состоящее из ячеек, в котором каждая ячейка может иметь 1 из 3 значений:
Препятствие
Свободно
Неизвестно
Эту карту можно получить из облака точек несколькими способами:
Как простой срез на определенной высоте из облака точек
Как проекцию всех точек на плоскость z = 0 начиная с какой - нибудь заданной высоты z = ?.
Такой вариант предоставляет rtabmap.
Для этого имеется много настроек, как то:
допустимый угол наклона “плоскости”
количество точек вблизи, которые стоит считать за препятствие
и т.д.

Слайд 16

ROS концепция Move Base
Это концепция ROS, которая работает с 2 планерами:
Local

Planner
Управляет мобильной платформой (роботом) при прохождении траектории.
На него ложится расчёт скоростей и углов, так чтобы избежать столкновений.
Global Planner
Ищет по Карте Препятствий глобальный маршрут в виде линии
Резюме В нашем случае роль Local Planner'a выполняет ФРУНД.
Имеющиеся же Global Planner'ы весьма плохо задокументированы.
Также их использование тянет за собой использование громоздкого move_base.

Слайд 17

Footstep planner
Один из сценариев использования этих данных в контексте навигации и

движения робота это построение безопасной траектории шагов для робота, по которой он впоследствии сможет пройти.
Было найдено много публикаций, которые использовали планирование "ступнями" на карте препятствий. Затем траектория в виде набора ступней поступала на исполнение роботу.
Такой вариант возможен, если при планировании траектории также учитываются условия равновесия робота, а также если контроллер робота может "выполнять" задания вида "наступить в точку с заданными координатами".

Слайд 18

footstep_planner & humanoid_navigation
Код данной работы был опубликован в виде ros пакета

Armin Hornund'ом.
Данный модуль (footstep_planner) предоставляет возможность планировать маршрут в виде набора положений ступней, ведущей из стартовой в конечную позицию.
Планирование осуществляется на 2D карте препятствий.
Следует заметить, что данный пакет предоставляет много нужных настроек.
Начиная с физических параметров ступней и их положений друг относительно друга при шаге, заканчивая выбором алгоритма поиска, используемого при планировании.

Слайд 19

Применение пакета footstep_planner
Мне удалось исправить в нем ошибку, которая не давала

применить его на динамически меняющейся карте.
Также я написал программу, которая передает этому пакету данные о местоположении камеры и карте препятствий, которую предоставляет SLAM алгоритм библиотеки rtabmap.
Благодаря этому стало возможным использование алгоритма планирования с данными от выбранного нами SLAM алгоритма в реальном времени с некоторой задержкой на расчёты.

Слайд 20

Подходы к решению задачи автономной навигации
Навигация в [плотных] облаках точек

Слайд 21

Vigir footstep planner

Слайд 22

Move It
Пакет планирования сложных движений для роботов любой конструкции.
Робот представляется в

виде модели с учетом всех подвижных частей и ограничений на их передвижения.
Далее можно рассчитать траекторию всех конечностей робота при его переходе из одного состояния в другое.
Возможен учет коллизий с окружением в виде плотных облаков точек (OcTree).
Также пока остается загадкой возможность реализации ходьбы в этом пакете.
Данный пакет не применим в нашем проекте, т.к. система компьютерного зрения не может влиять на генерацию движений робота. Иными словами роль этого пакета выполняет ФРУНД.

Слайд 23

Слайд 24

Проектирование архитектуры

Слайд 25

Обоснование
В нашем случае система расчёта движений (ФРУНД) не может реализовывать шаги,

поступающие извне. Наоборот, ФРУНД генерирует шаги так, чтобы держать равновесие.
Также система компьютерного зрения не может воздействовать на движения, генерируемые ФРУНД’ом.
Это приводит к реализованной нами архитектуре.

Слайд 26

Слайд 27

Слайд 28

Дальнейшие работы
Возможно разработка упрощенного варианта 2D планера. Т.к. многие возможности footstep_planner’a

в данном варианте архитектуры не задействуются
Доработка взаимодействия с ФРУНД'ом
Исследования пакета Move It

Слайд 29

Дополнительные работы
Обнаружение препятствий в облаке точек по направлению движения робота
SpeechAI
Разработанный мной

лингвистический ИИ с распознаванием и синтезом речи.
Одно из реализованных применений - голосовое управление роботом и озвучивание информации о препятствиях.

Слайд 30

Список использованных источников
http://hrl.informatik.uni-freiburg.de/ Много работ с антропоморфным роботом Nao. В частности автономная

навигация и коррекция движений, поступающих от костюма оператора
http://wiki.ros.org/rtabmap_ros Пакет в ROS для rtabmap. Популярная реализация SLAM алгоритма
http://moveit.ros.org/ Пакет MoveIt по планированию движений для роботов
http://wiki.ros.org/footstep_planner 2D планер шагов по OccupancyGrid
http://wiki.ros.org/vigir_footstep_planning 3D планер шагов в облаках точек. Идейный продолжатель пакета выше
http://wiki.ros.org/navigation Navigation stack в ROS
http://www.ais.uni-bonn.de/humanoidsoccer/ws12/slides/HSR12_Slides_Hornung.pdf Search – based footstep planning
http://www.probabilistic-robotics.org/ Потрясающая книга ProbablisticRobotics, рассказывающая про SLAM алгоритмы
https://www.youtube.com/channel/UCQoNsqW4v8uvrpWxnIabStg Качественные курсы по SLAM алгоритмам и навигации. Автор предоставляет лекции и практические работы по написанию своих алгоритмов с 0. Также качественно разобрана математическая сторона вопроса

Слайд 31

Вопросы

Слайд 32

Система автономной навигации антропоморфного робота

Содержание

Цели и задачиЦельРазработать систему автономной навигации для антропоморфного робота AR600E.Задачи:Поиск и

Средства, методы и подходы

Платформа разработкиВ качестве платформы для разработки был выбран фреймворк ROS на

SLAM (с англ. одновременная локализация и картография)Для автономной навигации, да и

В качестве SLAM алгоритма была выбрана реализация библиотеки rtabmap.Качественно задокументированаПоддерживает многие

Источники данных для SLAM алгоритма

Источники данных для SLAM алгоритмаВ качестве источников данных могут выступать практически

RGB-D камерыПредоставляет RGB снимок и карту глубиныХорошо поддерживаются много библиотекамиДает приемлемую

Стерео камерыВысокая дальностьПрактически нет слепой зоныТочность ниже, чем у RGB-D камерПара

ЛидарыВысокая дальностьВысокая стоимостьВозможно использование в будущемВ данный момент нет необходимости, т.к.

Подходы к решению задачи автономной навигацииПланирование по карте препятствий (OccupancyGrid)

Этот подход позволяет решать задачу навигации на плоскости, что довольно просто.

ROS концепция Move BaseЭто концепция ROS, которая работает с 2 планерами:Local

Footstep plannerОдин из сценариев использования этих данных в контексте навигации и

footstep_planner & humanoid_navigationКод данной работы был опубликован в виде ros пакета

Применение пакета footstep_plannerМне удалось исправить в нем ошибку, которая не давала

Подходы к решению задачи автономной навигацииНавигация в [плотных] облаках точек