Содержание к диссертации
Введение
Глава 1. Анализ проблем и существующих методов навигации и управления движением автономного мобильного робота. Постановка задачи исследования 14
1.1. Обзор особенностей и характеристик мобильных роботов, участвующих в соревнованиях DARPA Urban Challenge и других 14
1.2. Задачи, решаемые в диссертации 21
1.2.1. Задачи и особенности решения проблемы навигации мобильного робота 24
1.2.2. Средства очувствления мобильных роботов, движущихся в городских условиях 28
1.2.2.1. 3D лазерный дальномер 32
1.2.3. Анализ проблем при решении задач навигации по данным лазерного дальномера 37
1.3. Существующие методы решения задачи локальной навигации 39
1.3.1. Поиск экстремума функции различия 39
1.3.2. Совмещение сканов методом ICP 42
1.3.3. Метод выделение характерных черт 44
1.3.4. Метод рекуррентной фильтрации (для 2D дальномера) 44
1.4. Существующие методы решения задачи глобальной навигации. Вероятностные алгоритмы 50
1.4.1. Метод фильтрация Калмана 53
1.4.2. Метод фильтрация частиц 55
1.5. Недостатки и преимущества известных существующих методов решения задачи навигации 58
Выводы 60
Глава 2. Решение задачи локализации с помощью определения параметров движения 62
2.1. Задача определения угловой и линейной скорости по дальнометрическим измерениям 62
2.1.1. Математическая модель относительного движения точек в дальнометрическом изображении 63
2.1.1.1. Движение мобильного робота без проскальзывания 63
2.1.2. Уравнение связи движения робота с функцией сечения рельефа 67
2.1.3. Дискретизация задачи 69
2.1.4. Определение параметров движения 73
2.1.4.1. Определение оценок с помощью псевдообратной матрицы 74
2.1.4.2. Определение оценок с помощью метода рекуррентной фильтрации 75
2.1.4.3. Выбор параметров фильтра 77
2.1.5. Исследование работы алгоритма рекуррентной фильтрации в среде MatLab 79
2.2. Исследование работы разработанного алгоритма при движении мобильного робота относительно рельефа в частных случаях 83
2.2.1. Движение мобильного робота перпендикулярно вертикальной стене 83
2.2.2. Движение робота вдоль стены 84
2.2.3. Поведение матрицы ковариации ошибок оценок 85
2.3. Исследование поведения оценок параметров движения мобильного робота 87
2.4. Получение оценок координат положения мобильного робота при движении 91
2.4.1. Интегрирование уравнений движения 91
2.4.2. Использование расширенного фильтра Калмана 93
2.5. Предварительная обработка дальнометрического изображения 97
2.6. Исследование шумов 98
2.6.1. Исследование статистических параметров шумов в измерениях 98
2.7. Точность определения параметров движения 102
2.7.1. Точность метода рекуррентной фильтрации 102
2.7.2. Точность определения координат робота 104
2.8. Построение карты 106
2.8.1. Виды описаний окружающей среды 106
2.8.2. Построение сетчатой карты для мобильного робота, оснащенного лазерным дальномером 107
Выводы 110
Глава 3. Управление движением мобильного робота в городских условиях по данным 3D лазерного дальномера 112
3.1. Управление движением мобильного робота вдоль тротуара 114
3.1.1. Управление движением мобильного робота вдоль
непрерывного прямолинейного тротуара 115
3.1.1.1. Кинематическая и динамическая модели колесного MP 115
3.1.1.2. Линеаризация уравнений движения мобильного робта относительно программной траектории 119
3.1.1.3. Устойчивость линеаризованной динамической модели мобильного робота 121
3.1.1.4. Определение параметров ц>,у ,входящих в закон управления 123
3.1.1.5. Моделирование движения автономного мобильного робота 125
3.1.2. Управление движением мобильного робота вдоль произвольного тротуара 130
3.1.3. Управление движением мобильного робота вдоль разрывного тротуара 134
3.2. Управление движением мобильного робота налево на перекрестке 135
3.2.1. Управление угловой скоростью движения мобильного робота 136
3.2.2. Построение программной траектории в виде дуги окружности 137
3.2.3. Уравнения движения мобильного робота при управлении в окрестности программной траектории 139
3.2.4. Компьютерное моделирование управления движением автономного мобильного робота на перекрестке 140
3.3. Управление движением мобильного робота при объезде препятствия 142
3.3.1. Планирование пути по карте, полученной из одного текущего скана дальномера 143
3.3.2. Движение по траектории 145
Выводы 147
Глава 4. Моделирование и экспериментальные исследования 148
4.1. Разработка системы управления для мобильного робота 149
4.1.1. Реализации работы системы управления в среде Microsoft Robotic Developer Studio (MRDS) 149
4.1.1.1. Программная среда Microsoft Robotics Developer Studio 150
4.1.1.1.1. Concurrency & Coordination Runtime (CCR) 151
4.1.1.1.2. Decentralized System Services (DSS) 152
4.1.1.2. Разработка программного обеспечения мобильной робототехнической системы 154
4.1.1.2.1. Архитектура системы управления 154
4.1.1.2.2. Модель логического уровня системы управления движением робота 158
4.2. Результаты тестирования работы системы управления в среде MRDS 161
4.2.1. Локализация робота и построение карты 161
4.2.2. Движение робота вдоль тротура и на перекрестке 165
Выводы 167
Выводы и заключение 168
Литература 171
Приложение А 178
- Средства очувствления мобильных роботов, движущихся в городских условиях
- Исследование поведения оценок параметров движения мобильного робота
- Линеаризация уравнений движения мобильного робта относительно программной траектории
- Модель логического уровня системы управления движением робота
Введение к работе
Актуальность темы исследования. Развитие мобильной робототехники направлено на создание автономного средства, позволяющего заменить человека в тяжелой, опасной и отвественной работе. С другой стороны, в настоящее время в большинстве случаев человек оказывается причиной дорожно-транспортного происшествия. Поэтому современные автомобили нуждаются в использовании широкого ряда электронных технологий, призванных помогать водителю. Они известны как технологии автономного вождения и служат для того, чтобы свести к минимуму влияние человеческого фактора - ошибок, которые могут привести к дорожно-транспортному происшествию.
Таким образом, исследованием научных проблем управления автономными мобильными роботами и поиском новых конструкторских и алгоритмических решений занимается множество лабораторий по всему миру. Также работы ведутся, в том числе, в МГТУ им. Н.Э.Баумана, ИПМ им. М.В.Келдыша РАН, ИПМех РАН, МИРЭА, МГТУ«Станкин». Кроме того, в мире проводятся различные соревнования мобильных роботов, имеющие целью не только поиск новых решений, но и подготовку специалистов -робототехников. Самым заметным соревнованием можно считать гонки автономных роботов-автомобилей в городских условиях в 2007 году под названием DARPA Urban Challenge. В июле 2010 года состоялись первые в России соревнования мобильных роботов, движущихся по трассе, проложенной по пересеченной местности (берег озера Селигер).
Цели и задачи исследования. Целью диссертационной работы является решение задачи навигации мобильного робота (MP) в городских условиях по данным сканирующего лазерного дальномера, а также разработка методов управления движением MP по городу с использованием дальнометрических данных.
Для достижения заданной цели в работе поставлены и решены следующие задачи.
Анализ существующих методов решения задач навигации.
Разработка метода определения линейной и угловой скоростей (6 параметров движения) MP по данным 3D лазерного дальномера и их использование для локализации робота и построения 2D карты местности.
Управление движением MP по построенной в процессе движения карты с учётом статических препятствий.
Проведение параметрического синтеза созданных алгоритмов управления движением.
Проведение экспериментальных исследований на компьютерной
модели.
Методы исследования. В работе использованы классические подходы к решению задач кинематики и динамики движения твердого тела, методы рекуррентной фильтрации, а также методы теории автоматического управления и регулирования для параметрического синтеза алгоритмов управления движением MP. Достоверность полученных результатов подтверждается численными экспериментами.
На защиту выносятся
-
Способ определения параметров движения MP по данным 3D лазерного дальномера и решение задачи локализации MP.
-
Метод определения точностных статистических характеристик решения навигационной задачи.
-
Методы управления движением MP вдоль тротуара и на перекрестке в городских условиях по данным 3D лазерного дальномера.
Научная новизна результатов исследования
Разработан метод построения трехмерной карты на основе данных, полученных 3D дальномером. В отличие от существующих методов, использующих, как правило, итерационные процедуры поиска экстремума функции близости в 6-мерном пространстве параметров движения, разработанный метод основан на решении линейной системы уравнений и позволяет получать точностные характеристики параметров движения. Кроме того, разработанный метод позволяет аналитически исследовать зависимость дальнометрического изображения от движения MP и характера рельефа, и получать множество двумерных карт, как плоских сечений 3D карты, которые могут быть использованы при управлении движением MP.
Разработан способ управления движением мобильного робота вдоль тротуара и на перекрестке в городских условиях.
Практическая ценность работы. Результаты исследований могут быть использованы при создании систем управления MP, оснащенных 3D лазерным дальномером, предназначенных для работы в сложной недетерминированной среде с гладкой поверхностью движения.
Достоверность полученных результатов определяется проверкой разработанного алгоритма навигации и управления движением MP в городских условиях в известных, хорошо зарекомендовавших себя, программных пакетах MATLAB и Microsoft Robotic Developer Studio.
Апробация работы. Основные результаты работы докладывались на конффеции «Экстремальная робототехника нано-, микро- и макророботы» (Россия, Дивноморское, 28 сентября-3 октября 2009 года), 21-ой научно-технической конференции «Экстремальная робототехника» (Санкт-Петербург, 12-14 октября 2010 года).
Публикации. Основное содержание работы отражено в 5 публикациях, из них в журналах по перечню ВАК-2.
Структура и объем работы. Диссертационная работа состоит из введения, 4 глав, выводов по каждой главе, заключения и списка литературы. Работа изложена на 200 листах машинописного текста и содержит 75 рисунков, 5 таблицы, список литературы из 62 наименований.
Средства очувствления мобильных роботов, движущихся в городских условиях
В диссертационной работе под навигацией мобильного робота понимается определение положения робота в пространстве - локализация, а также управление параметрами движения (задавать угол поворота колес и скорость их вращения) по програмнной траектории и объезд препятствий, которые появляются перед роботом во время движения. Для выполнения второй задачи роботу необходимо сформировать достаточно точный образ окружающего его пространства, например в виде плана местности, то есть также должна решаться задача картографии. Следует заметить, что критическим требованием приложений навигации является то, что робот должен определить свою позицию по отношению к неподвижной системы координат. Процесс оценивания позиции робота по отношению к неподвижной системе координат называется локализацей робота и эта задача посвящена большая часть трудов в области навигации робота. Эту задачу можно решить с помощью двух различных классов датчиков робота: проприоцептивные и экстероцептивные датчики.
Проприоцептивный датчик- кодировщик или инерциальное измерительное устройство, измеряет параметры движения робота. Полученные данные могут быть использованы для оценки относительного перемещения робота. Такие измерения называются относительными измерениями позиционирования, которые воспринимают внутреннее состояние робота. Заметим, что никакие источники внешней информации не используется и поэтому эти измерения могут только обеспечивать информацию относительно его стартовой позиции. Относительное позиционирование чаще всего основано на навигационном счислении пути (dead reckoning) [15]. Например, можно осуществлять подсчет количества оборотов колес робота и приближенно вычислять расстояние от его стартовой позиции. Такой способ счисления пути - простой и дешевый способ навигации робота в реальном масштабе времени. К сожалению, по мере удаления робота от стартовой позиции, происходит существенное накопление ошибок. При навигационном счислении пути ошибки бывают двух типов: систематические и несистематические. Систематические ошибки вызваны кинематическом несовершенством данного мобильного робота например, неодинаковым диаметром его колес. Несистематические ошибки вызваны свойствами поверхности, по которой перемещаются колеса робота (например, проскальзывание колес, неровности). Систематические ошибки являются свойством данного робота. Они остаются практически постоянными в течение продолжительного периода времени, в то время как несистематические ошибки - функция свойств поверхности.
Экстероцептивный датчик- лазерный дальномер, радар, сонар или камер, воспринимает информацию об окружающей среде. Автономные роботы как правило имеют ряд относящих к окружающей среде датчиков. Такие измерения называют абсолютными измерениями, они обеспечивают информацию о местоположении робота, которая- не зависит от предыдущих измерений. Преимущество абсолютного позиционирования по сравнению с относительным позиционированием состоит в том, что не происходит неограниченное накопление ошибки позиции робота.
Один из методов локализации по данным экстёроцептивных датчиков -это использование легко обнаруживаемых и идентифицируемых ориентиров [15]. Ориентиры можно разделить на активные и пассивные. Активные ориентиры, которые также называется маяками; активно посылают информацию о своем местоположении. Активный ориентир обычно реализуется в форме радиобуя или другой радиопередающей аппаратуры. Робот воспринимает сигналы ориентиров для определения своей позиции. Два метода обычно используются для определения абсолютного положения робота с использованием активного ориентира: триангуляция и трилатерация [10]. Метод триангуляция использует расстояния и направления на три или более активных ориентиров, а метод трилатерация использует только расстояния для определения положения и ориентации робота. Тем не менее, эти методы не достаточно совершенны. Использование активных ориентиров был отклонено по двум причинам. Во-первых, передача сигналов активного ориентира может быть нарушена в результате атмосферного и географического влияния [20]4 и это приведем к неправильным измерениям. Во-вторых, еще одной проблемой является то, что активный ориентир на практике обычно не может посылать свои сигналы во всех направлениях. Кроме того, навигация с помощью радиобуев и ориентиров, как правило, требуют дорогостоящей установки и обслуживания.
В случае пассивных ориентиров робот должен активно их искать, чтобы определить свои координаты. Например, в случае обнаружения ориентиров с использованием системы технического зрения, используются методы обработки изображения. При обнаружения трех или более ориентиров, можно использовать методы триангуляция или трилатерация чтобы " определить положения робота: Пассивный ориентир может быть искусственным или естественным и производительность системы локализации зависит от типа ориентира.
Использование искусственных ориентиров имеет ряд недостатков. Одним из них является то, что если робот находится далеко от ориентира, тогда система локализации оценивает позиции робота не очень точно [12]. Это видно, например, при обнаружения ориентиров с использованием системы технического зрения. Чем дальше находится ориентир от робота, тем меньше будет размер ориентира в поля зрения камеры, в результате чего возникают проблемы с его обнаружением. Кроме того, по сравнению с активным ориентиром, обнаружения искусственных ориентиров требует использования больших вычислительных мощностей. Проектирование и построение искусственных ориентиров само по себе является трудной проблемой. В качестве альтернативного подхода к проблеме определения местоположения используются естественные ориентиры. Такими ориентирами в городских условиях являются дороги, деревья и дорожные знаки.
Другой метод ,основанный на применении экстероцептивных датчиков, позволяет сравнивать данные датчика с данной известной картой. Карта может отображаться в двух видах: спутниковая фотография или построенный роботом план местности [22]. Этот способ сложнее, чем метод идентифицирования ориентиров, особенно при сравнении данных датчика с данной построенной картой. Хотя это метод не требует предварительной подготовки, но он требует предварительных знаний об окружающей среде робота и поэтому не соответствует многим приложениям локализации робота.
Если предварительная построенная карта рабочей зоны робота не доступна, можно строить для робота глобальную карту с использованием внешнего датчика при параллельном отслеживании собственного положения в этом окружении. Задачи локализации и картографии для робота с использованием внешнего датчика тесно связаны друг с другом. Обычно эти две проблемы мобильной робототехники решаются совместно и в литературе [16,9,18] получили название SLAM.
Исследование поведения оценок параметров движения мобильного робота
Таким образом, учёт бокового проскальзывания приводит к увеличению числа неизвестных в системе линейных уравнений. Для получения оценок параметров движения робота использовался метод рекуррентной фильтрации , который позволяет получить не только сами оценки но и матрицу ковариации ошибок оценок, которая является характеристикой точности полученных оценок. В качестве уравнения системы использовалось условие равенства параметров движения робота для всех измерений в одном скане. Уравнение связи движения робота с изменением рельефа использовалось в качестве измерений. При этом шум измерения включает в себя ошибки вычисления коэффициентов полученого линейного уравнения и ошибка измерения зависит от вычисляемых коэффициентов. После того как получены оценки линейных и угловой скоростей решается задача локализации мобильного робота -определение оценки координат положения робота. Это может быть осуществлено с помощью интегрирования кинематических уравнений движения робота с оценками скоростей.
Решение задачи локализации с помощью простого интегрирования уравнений движения обладает рядом недостатков. Во-первых, происходит накопление ошибки, которая неизбежно возникает при определении параметров движения мобильного робота. Во-вторых, это накопление остается неучтенным, то есть отсутствует информация о том, насколько можно доверять полученным при интегрировании результатам. Эти проблемы удается решить также с помощью расширенный фильтр Калмана. При этом в качестве уравнений системы использованы уравнения движения робота и уравнения изменения его скоростей, дополненные случайными последовательностями, включающими в себя возможные изменения скоростей робота. А полученные оценки скоростей и матрица ковариации ошибок оценок в результате работы алгоритма определения оценок параметров движения по скану могут быть использованы как вектор измерений и матрица ковариации шумов соответственно. Рассмотрим существующие решения задачи глобальной навигации, состоящей в определении абсолютного положения мобильного робота по отношению к некоторой неподвижной системе отчета. Большинство методов, успешно решающих задачи глобальной навигации являются вероятностными по своей сути. Они могут учитывать неточности в показаниях датчиков робота, неточности методов их обработки, а также отсутствие полной информации о модели движения робота с помощью вероятностных распределений. Основной принцип, который лежит в основе всех вероятностных методов локализации и картографирования мобильного робота - правило Байеса [14]: где х - величина, значение которой мы хотим определить, например позиция MP в пространстве, z - данные измерений (одометрия, лазерные сканы). p(z х) - значение плотности распределения вероятности события - получения данных z при гипотезе, что положение мобильного робота - х. Этот множитель в (1.17) описывает процесс генерации данных датчика при различных предположениях о позиции робота. р(х) - априорное распределение вероятности значения х, до получения каких-либо данных от датчиков. р(х \ z) -апостериорная плотность распределения вероятности, с учетом последних измерений. Коэффициент л играет нормализующую роль. Интегрирование данных, появляющихся со временем, по правилу (1.17), называется фильтрацией Байеса. Рекурсивная формула для вычисления плотности апостериорного распределения вероятности p[xt\z ,и ), где / -индекс времени, z - измерения, а и - данные о движении робота (одометрия или информация о управляющих воздействиях) имеет вид: р(х,\ г ,и )= r\-p(zt\ xt)\p{xt I ut,xt_x)p(xt_x ZM,MM ) &,_, Переменные с верхним индексом z ,u ссылаются на все z и и, полученные к моменту времени /, например, z ={zl,z2,..,zl}, а переменные с нижним индексом относятся к указанному моменту времени. Как видно из формулы, р[х1 \z ,u J вычисляется из вероятности, полученной на предыдущем шаге. В начальный момент времени /=0, р{х0 \z,uJ=p(x0). Предполагается, что обновление данных, происходит в равные промежутки времени, что позволяет интегрировать поступающую информацию одинаковым образом. В случае применения фильтра Байеса к проблеме локализации и определения положения мобильного робота, в качестве оцениваемых величин выступают как окружающая среда - карта местности, так и положение в ней мобильного робота. Если использовать обозначения тих, для обозначения оценки карты и положения, робота, то уравнение фильтрации будет иметь следующий вид: Если рассматривать статическое состояние мира, то индексы, относящиеся к карте, могут быть опущены, так как она не меняется со временем. Тогда уравнение фильтра принимает вид: Для вычисления распределения апостериорной информации на каждом шаге фильтрации необходимо вычислить две плотности вероятности p{zt \xt,m) и p(xt I ut,xt_x), эти распределения считаются инвариантными по отношению ко времени и записываются, как p(z\x,m) и р(х)и,х ) соответственно. Первая величина обычно называется моделью восприятия робота - она описывает плотность вероятности события, получения измерения сенсора z для различных траекторий s и карт т. Вторая величина описывает плотность вероятности, события попадания робота, находящегося в положении х в х после выполнения движения и. Обычно эта плотность распределения вероятности называется моделью движения. Рассмотрим основные вероятностные алгоритмы глобальной локализации, применяемые в современной робототехнике. 1.4.1. Метод фильтрация Калмана Метод фильтрации Калмана [23] предназначеный для получения оценок состояния и статистических характеристик системы по некоторым измерениям, предложен Р. Калманом в 1960 году. Фильтр Калмана предназначен для слежения за позицией автономного MP путем оценивания положения специальных меток-маяков, которые могут быть обозримы и различимы датчиками робота. По своей сути фильтр Калмана является фильтром Байеса с представлением апостериорной плотности вероятности p(st,m\z ,и ) с помощью нормального распределения Гаусса, который характеризуется стандартными параметрами (математическим ожиданием и матрицей ковариации). Для роботов, действующих в плоской среде, положение описывается тремя координатами (две декартовых координаты и угол направления). Представление об окружающей среде в методе фильтрации Калмана заключается в заранее известных координатах специальных меток-маяков (рис. 1.20). Таким образом, для К меток-маяков величина вектора состояния, оцениваемая фильтром Калмана, будет 27 + 3. Модель движения и восприятия в случае фильтрации Калмана считаются линейными с добавлением Гауссова шума. Начальное распределение вероятности положения робота считается также- Гауссовым. В упрощенном виде уравнения фильтра формулируются следующим образом [24]:
Линеаризация уравнений движения мобильного робта относительно программной траектории
Метод фильтрации частиц (particle filter) можно рассматривать как аппроксимацию и расширение метода фильтрации Калмана для решения задачи локализации и построения карты в мобильной робототехнике [21][30].
В данном методе, как и в фильтре Калмана осуществлена попытка оценить плотность распределение вероятности положения робота и состояния окружающего мира в виде р(х(,т\г ,и ). В данном рассмотрении xt - положение робота на момент времени t, т - карта, z - измерения, собранные роботом за время движения 0.. , и - данные о движении робота (одометрические или информация об управлении). Если в фильтре Калмана распределение вероятности представлено в нормальном виде с переменными параметрами, то в данном методе распределение вероятности рассматривается в виде некоторого числа гипотез. Метод использует для вычисления плотности распределения следующую формулу:
р\х(,т\г1,и )= p(m\xt,z )-p(xt \z ,u ), что позволяет вначале оценивать только траекторию робота, а затем вычислять карту исходя из полученной траектории. Распределение p(m\xhz% соответствующее представлению о карте, может быть получено аналитически, если известна траектория робота, состоящая из последовательности положений st=xl, и измерения z\ относящиеся соответственно к каждому положению роботу. Оценки второго распределения p(x,\z ,u ), представляющего предположение о траектории робота, происходит с помощью фильтра частиц.
Алгоритм фильтр частиц оценивает несколько гипотез о положении мобильного робота одновременно. Каждая гипотеза может быть представлена в виде точки-частицы на плоскости, характеризующей проекцию положения робота xj: \ что дало название фильтра. С гипотезой связана вероятная траектория движения x \.xl \ и сетчатая карта местности т;\ построенная исходя из предположений о траектории и полученных дальнометрических измерений. Совокупность гипотез-частиц, каждая из которых характеризуется своим весом, представляет полное распределение вероятности положения робота и карты p{xhm\zt,ut). Алгоритм состоит из четырех итерационных шагов: 1) Sampling. Предположение. Порождение нового множества частиц \х; } из текущего распределения \х} \} на основе вероятностной модели движения с распределением п. То есть для каждой гипотезы из {x;_,} происходит генерация предположений в виде новых частиц о положении робота через выбранный промежуток времени (рис. 1.10(a)). Предположения делаются исходя из имеющихся данных о движении робота, это могут быть одометрические данные или результаты определения относительного перемещения робота по показаниям лазерного дальномера (результаты решения локальной задачи навигации). Распределение новых гипотез обычно формируется как нормальное на базе знаний о точности использованных данных (точности показаний одометрических датчиков или точности решения локальной задачи навигации). 2) Importance Weighting. Присвоение нового весового коэффициента ю; каждой вновь порожденной частице на основе модели измерения значение весового коэффициента зависит от того, насколько новая гипотеза о положении робота соответствует существующей карте: чем лучше показания дальномера zt в положении робота х, совпадают с картой т) }х, тем выше коэффициент. В качестве модели измерения используется оценка вероятности получения скана на данной карте с помощью трассировки лучей. 3) Resampling. Пересмотр новых гипотез, нормализация весов частиц. На основе рассчитанных весов происходит отсев частиц, так чтобы в рассмотрении осталось лишь определенное, конечное число гипотез, с наибольшими весами. Веса оставшихся частиц нормализуются таким образом, чтобы сумма их весов равнялась единице. На этом шаге отсеиваются маловероятные гипотезы о положении робота. 4) Map estimation. Оценка карты. Для каждой частицы на основе последних измерений zt и предположения о позиции робота ху достраивается карта местности т, . Эти шаги- выполняются рекурсивно через заданный- интервал времени каждый раз с новым измерением дальномера. Рассмотрение нескольких гипотез позволяет компенсировать ошибки, накапливающиеся при относительном локальном решении задачи навигации: Приэтом, чем больше рассматривается частицу тем лучше алгоритм справляется с накапливающимися ошибками, но тем выше требования к вычислительным ресурсам и объемам оперативной памяти для хранения карт, связанных с каждой частицей. Очень важен шаг генерации новых гипотез. Их распределение должно включать в себя верную гипотезу о положении робота, но, в то же время, увеличение числа предположений также ведет к росту вычислительных затрат на третьем и четвертом шагах алгоритма. Генерация новых гипотез на основе определения положения робота методами локальной навигации позволяет значительно уменьшить количество предлагаемых частиц по сравнению с аналогичной генерацией на основе одометрических данных. Недостатком такого подхода является то, что существующие алгоритмы локальной навигации, рассмотренные выше, не позволяют получить оценок точности определения положения робота непосредственно, поэтому для порождения новых гипотез используется нормальное распределение с параметрами, полученными по статистическим данным о точности алгоритмов. Такое распределение не зависит от характера движения мобильного робота и рельефа среды и может приводить к генерации неоправданно большого числа частиц или упущению из рассмотрения верных гипотез в случая, когда точность решения локальной задачи навигации падает, например, при движении вдоль стены или по коридору. На рисунке 1.21 [27] показана одна итерация алгоритма: предложение новых гипотез на основе модели движения и отсев частиц на основании вероятностной модели распределения.
Модель логического уровня системы управления движением робота
В главе рассматривается задача управления мобильным роботом с информационной системой, основным элементом которой является 3D лазерный дальномер.
В части, посвященной управлению движением мобильного робота по данным 3D дальномера, были рассмотрены несколько задач. Задачи состоят в следующем: 1) Управление движением мобильного робота вдоль непрерывного тротура. 2) Управление движением мобильного робота вдоль разрывного тротура. 3) Управление движением мобильного робота на перекрестке. а) Поворот налево на перекрестке б) Поворот направо на перекрестке в) Движение прямо на перекрестке 4) Управление движением мобильного робота при объезде препятствий, которые появляются перед роботом во время движения. Под управлением мобильным роботом понимается изменение параметров движения с целью выполнения определенного задания: обеспечения движения по определенному закону, проезда в заданную точку, выполнения заданной траектории и т.п. Для мобильного робота с двумя симметрично расположенными ведущими колесами, модель которого рассматривалась в разделе 2.1.1.1, управление сводится к заданию скоростей колес каждой стороны. Их величины определяют движение мобильного робота в случае отсутствия проскальзывания по формулам [1,5]: где со,.,о»; - угловые скорости правого и левого колес робота. R - радиус колеса робота, со и х - соответственно угловая и линейная скорости робота без учета проскальзывания.
Приводы современных мобильных роботов содержат внутренний контур управления, позволяющий поддерживать заданную угловую скорость колес. Тем не менее, управление изменением положения робота только за счет решения обратной кинематической задачи, то есть нахождения со со, колес, исходя из желаемых со и и по формулам (3.1), невозможно. Даже в отсутствии проскальзывания колес, динамика их приводов не может быть одинаковой, что приведет к ошибкам. Например, если мы хотим, чтобы робот ехал по прямой, заданной его начальным направлением, и установим для этого равные скорости вращения колёс, робот, скорее всего, отклонится от курса (рис. 3.1). Ошибка произойдет из-за разницы вращения колес при выходе приводов, на заданную скорость.
Как уже отмечалось, информацию о внешнем мире мобильный робот получает от лазерного сканирующего дальномера. Поэтому известные методы управления таким роботом можно разделить на два класса: методы управления по непосредственным текущим данным дальномера, и методы, учитывающие также и информацию, полученную в прошлые моменты времени [38]. Первые являются простыми в реализации, не требовательны к вычислительным ресурсам системы, но, вместе с тем, позволяют решать такие задачи управления как, например, движение вдоль тротуара, движение по улице, произвольное движение с объездом препятствий. Принцип их работы состоит в постоянном выполнении цикла: опрос датчиков - вычисление новых параметров движения, которые тут же принимаются1 к. исполнению. Методы второй группы используют для управления представление о внешнем мире, сформированное по данным дальномера. Эти методы гораздо более сложны в алгоритмическом плане и требуют больших вычислительных ресурсов, но они гораздо устойчивее в различных формах сечения рельефа и имеют более широкое применение, в частности такие методы широко использованы в работах [7].
Пусть колесный мобильный робот движется по плоской горизонтальной поверхности в городских условиях. При этом целью управления является обеспечение движения мобильного робота вдоль тротуара и на перекрестке, используя имеющиеся на борту систему очувствления, в качестве которой выступает сканирующий лазерный 3D дальномер. В Главе 2 для решения 3D SLAM-проблемы был предложен метод, позволяющий.постоянно отслеживать координаты положения, робота и интерпретировать информацию об окружающей среде по измерениям дальномера. В этом главе разработаны и опробованы, алгоритмы управления в основном первого типа. Рассмотрим некоторые из них.
При исследовании движения мобильного робота в городских условиях, должна решаться задача движения робота вдоль тротуара. В данном случае, робот может ориентироваться на тротуар, расположенный по одну его сторону (правую или левую), что позволяет обеспечивать движение робота в городских условиях. Задача ставится следующим образом. Робот должен двигаться на заданном расстоянии от объекта - тротуара. Эта задача может быть решена с помощью алгоритмов управления роботом первого типа. В этом разделе описываются основные принципы, положенные в основу метода управления автономным мобильным роботом вдоль тротуара [61,62].
В начале рассмотрим простейший случай. Будем предполагать, что абсолютная система координат расположена так, что ось Х0 параллельна тротуару, а сам тротуар представляет из себя (в плане) последовательность отрезков, лежащих на одной прямой, расположенной на оси Х0 (рис.3.2). Таким образом, в данном моменте не рассматриваются более сложные движения робота, например, повороты. В этом случае робот должен двигаться по прямой, расположенной на заданном расстоянии от тротура.
