Clever Geek Handbook

Investigación de métodos SLAM para navegación de robots móviles en interiores. Experiencia en investigación de R2 Robotics. (continuado)

Introducción

En el último artículo, analizamos varios algoritmos SLAM modernos para ROS . Este artículo discutirá la aplicación de SLAM en la práctica. Como robot se utiliza un prototipo de un robot comercializador móvil de R2 Robotics . El robot tiene una base con dos ruedas motrices ubicadas en el mismo eje en el centro, lo que le permite realizar giros en el lugar y contribuye a una alta maniobrabilidad. El diámetro del robot es de ~ 60 cm y su altura es de 1,5 metros.





4. Pruebas

Los sensores del robot son: 2D lidar RPLidar A1 , cámara RGBD Intel RealSense D435i y cámara de seguimiento Intel RealSense T265 para seguimiento de odometría. El lidar está instalado en la parte inferior del robot y escanea solo el sector frontal de 180 grados, mientras que la cámara está configurada a 1,1 my inclinada hacia abajo en un ángulo de 40 grados. Teniendo en cuenta que la altura del robot es de 150 cm, la cámara permite reconocer obstáculos a una altura inaccesible para el lidar.





Figura 8 - Modelo de robot en RViz
Figura 8 - Modelo de robot en RViz

9. 70 2 . , , .





Figura 9 - Sala para pruebas de mapeo
9 –

4.1 Rtabmap





– ( 10).





PERO)
)
B)
B)

10 – Rtabmap ) b) RGBD





10 – , , . , . , , , .





, , RGBD , . , - . , , , .





Figura 11 - Comparación de objetos mostrados en mapas: rojo - percheros y tronas, azul - mesas y sillones, amarillo - sofás y armario, verde - sillas
11 – : – , – , – , –

11 , , . . , , , 2D . , , ( ). – 7 .





, , . , ( 12).





Figura 12 - Visualización de datos de una cámara RGBD en RViz
12 – RGBD RViz

, , , . , 11 . , , , , .





. , , . , 13 14.





Figura 13: Evitar un obstáculo en un mapa creado con una cámara de profundidad
13 – ,
Figura 14 - Evitar un obstáculo en un mapa construido usando un LIDAR (negro - un obstáculo en el mapa, gris - espacio libre en el mapa, rosa - un obstáculo en la capa de obstáculos del mapa de costos, azul - capa de inflación mapa de costos global, rojo y azul - mapa de costos local de la capa de inflación)
14 – , ( – , – , – costmap obstacle layer, – inflation layer global costmap, – inflation layer local costmap)

, , , ( 13). , , . , obstacle_layer , ( 14). , . , obstacle_layer . , . , , , «» , , . , , , , .





4.2 Google Cartographer





Google Cartographer . RPLidar A1, Intel RealSense D435i. 





. SLAM, . , , SLAM . , , . . , 2- . , Rtabmap 2 . Rtabmap – SLAM, , Cartographer – , . , 2 , Cartographer . , , , . Cartographer, , , , SLAM.





, , .





Figura 15 - Mapa Lidar con a) Cartógrafo b) Rtabmap
15 – ) Cartographer b) Rtabmap

15, , Cartographer , , SLAM Rtabmap.





Figura 16 - Visualización del cartógrafo de mapas de Rviz, construido sobre el lidar
16 – Rviz Cartographer,

16 . Cartographer. Cartographer , , , , . , - . , Cartographer «» . . , Cartographer – , . , . , ( - ), .





, , . - navigation stack obstacle layer. , . navigation stack, . , , .





Cartographer SLAM SLAM. , Cartographer , , , , . , Cartographer «» , . . , , 5-10 . , ( Cartographer) , , .





, Cartographer , . Rtabmap, Cartographer . Rtabmap , , , , , Rtabmap ( , ).





17 2- , Cartographer. 1, 2, , . , 2 , . , , . Rtabmap , , Cartographer .





Figura 17 - Mapa cartógrafo de 2 habitaciones trazado por lidar
17 – Cartographer 2- ,

SLAM Rtabmap Cartographer , . 2D , . , , obstacle_layer, .





, . -, , 3D . , (, , .) . , , , .





, SLAM. , .





Gmapping – 2D , Cartographer Rtabmap . , Gmapping, 3D .





Rtabmap Cartographer SLAM. Rtabmap , . , , . , – .





Cartographer , ( ) . , 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 as an open‐source lidar and visual simultaneous localization and mapping library for large‐scale and long‐term online operation. J Field Robotics. 2019; 35: 416– 446.





  8. Silva, B.M.F.D.; Xavier, R.S.; Gonçalves, L.M.G. Mapping and Navigation for Indoor Robots under ROS: An Experimental Analysis. Preprints 2019.





  9. Mathieu Labbé y François Michaud. Detección de cierre de bucle global en línea para SLAM basado en gráficos multisesión a gran escala. 2014 IEEE / RSJ International Conference on Intelligent Robots and Systems, páginas 2661-2666, 2014.







More articles:


All Articles