Enquête sur les méthodes SLAM pour la navigation intérieure des robots mobiles. Expérience de recherche en robotique R2

introduction

Actuellement, il existe de nombreux types de véhicules aériens autonomes sans pilote et de robots de navigation.  En général, ils peuvent être divisés en navigation intérieure - intérieure , et extérieure - extérieure .

À son tour, la navigation intérieure relève également de multiples défis. En règle générale, il s'agit de robots mobiles conçus pour déplacer des marchandises dans un entrepôt, de robots aspirateurs, de robots pour le merchandising, de communication interactive avec les clients, les serveurs, etc. Lorsque nous passons à la navigation intérieure, nous perdons immédiatement tous les avantages de la navigation par satellite, car le signal satellite n'atteint généralement pas les appareils à travers des structures en béton et en métal. D'autre part, du fait que l'espace à l'intérieur des bâtiments est souvent limité à des zones relativement petites, il est possible d'utiliser des aides à la navigation telles que la triangulation, la navigation selon divers repères (codes QR indiquant les commandes ultérieures du robot, lignes de signaux dans le sens de la marche, marques sur les murs pour l'emplacement de correction), Navigation SLAM , ainsi que des combinaisons des méthodes ci-dessus.

Les méthodes de navigation présentées sont radicalement différentes dans les technologies utilisées et ont leurs propres avantages et inconvénients. Dans cet article, seule la méthode de navigation SLAM sera considérée, qui est la plus prometteuse de celles répertoriées pour travailler dans un espace inexploré. Cette méthode est intéressante dans la mesure où elle peut être utilisée dans une pièce non préparée inconnue du robot pour créer une carte puis l'utiliser. Il convient de garder à l'esprit que le SLAM nécessite une variété de sources de données, y compris l'odométrie.

1. SLAM

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

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

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

u t,

z , t,

m , x – t. , , ( 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 . , , .

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

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

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

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

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

, Cartographer – SLAM. , GMapping, .

Rtabmap – SLAM, , [4, 7, 8, 9].

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

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

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

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

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

SLAM

SLAM . , . 5 , 100 ².

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

, . 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 en tant que lidar open source et bibliothèque visuelle de localisation et de cartographie simultanées pour un fonctionnement en ligne à grande échelle et à long terme. J Robotique de terrain. 2019 ; 35 : 416-446.

   
   
   
   
   

8. Silva, BMFD ; Xavier, RS ; Gonçalves, LMG Mapping and Navigation for Indoor Robots under ROS: An Experimental Analysis. Prépublications 2019.

   
   
   
   
   

9. Mathieu Labbé et François Michaud. Détection de fermeture de boucle globale en ligne pour le SLAM multi-sessions à grande échelle basé sur des graphes. 2014 Conférence internationale IEEE / RSJ sur les robots et systèmes intelligents, pages 2661-2666, 2014.