procyberВестник кибернетикиProceedings in Cybernetics1999-7604Бюджетное учреждение высшего образования Ханты-Мансийского автономного округа – Югры «Сургутский государственный университет»10.35266/1999-7604-2025-4-2procyber-716Research ArticleТЕХНИЧЕСКИЕ НАУКИEngeneeringСинтезирование методов локализации и одометрии для задач позиционирования мобильных роботов в закрытом пространствеSynthesis of localization and odometry for positioning mobile robots in enclosed spacehttps://orcid.org/0009-0005-6482-3668ГордоваА. А.GordovaA. A.

магистрант

Master’s Degree Student

a.gordova@inbox.ruhttps://orcid.org/0000-0001-8476-2915ПрутскийА. С.PrutskiiA. S.

заведующий лабораторией робототехники и мехатроники

Lecturer, Head of Robotics and Mechatronics Laboratory

Кубанский государственный университет, КраснодарРоссияKuban State University, KrasnodarRussian Federation2025181220252441320Copyright © Гордова А.А., Прутский А.С., 20252025Гордова А.А., Прутский А.С.Gordova A.A., Prutskii A.S.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://www.vestcyber.ru/jour/article/view/716

Позиционирование робототехнических систем является ключевым аспектом разработки и функционирования автономных роботов. Эта тема охватывает множество аспектов, таких как навигация, восприятие среды, обработка данных и планирование движения. Решение задачи определения местоположения робота в пространстве представляется обязательным этапом в создании любой мобильной робототехнической системы. Эффективное позиционирование позволяет роботам точно определять свое местоположение в пространстве и относительно окружающих предметов, что критически важно для выполнения ими различных манипуляций. Современные подходы к позиционированию включают использование многих видов сенсоров и технологий, таких как инерциальные измерительные устройства, камеры и лазерные дальномеры. Интеграция различных источников данных позволяет не только повысить точность, но и обеспечить надежность систем позиционирования в условиях, где один из видов датчиков может давать сбои. В данной статье анализируются наиболее распространенные методы локального позиционирования объекта без применения технологии глобального позиционирования. Рассматриваются способы их комбинирования и интеграции с целью получения более точных и надежных результатов локализации в окружающем пространстве. В частности, приведено решение задачи оптимальной нелинейной фильтрации с использованием расширенного фильтра Калмана. Выполнен сравнительный анализ достоинств и недостатков наиболее распространенных подходов к локализации местоположения робота, определен рекомендуемый механизм достижения максимальной точности решения задачи позиционирования

The positioning of robotic systems is a key aspect of the development and operation of autonomous robots. This topic covers many points, such as navigation, perception of the environment, data processing, and motion planning. The determination of the robot’s position in space is an essential step in the creation of any mobile robotic system. Effective positioning allows robots to identify their exact location in space and relative to surroundingobjects, which is crucial for performing various procedures. Modern positioning approaches include the use of many kinds of sensors and technologies, such as inertial measurement units, cameras, and laser rangefinders. The integration of diverse data sources allows not only to increase accuracy but also to ensure the reliability of positioning systems in conditions where one type of sensor may malfunction. This article analyzes common approaches to local object positioning, omitting global positioning technology. The process of combining and integrating the specified methods is assessed to enhance the accuracy and dependability of localization results within the surrounding area. Specifically, a solution is provided for the optimal non-linear filtration problem, which employs an extended Kalman filtering approach. A comparative analysis of the advantages and disadvantages ofthe most common approaches in defining the robot’s location is performed, and a recommended mechanism for achieving maximum accuracy in carrying out the positioning task is determined

робототехникапозиционированиеодометрияинерциальное измерительное устройство (IMU)лазерное сканированиелазерный дальномер (LiDAR)итеративный алгоритм ближайших точек (ICP)фильтр Калманакомплексированиеroboticspositioningodometryinertial measurement unit (IMU)laser scanninglight detection and ranging (LiDAR)iterative closest point (ICP)Kalman filteringsensor fusionReferencesDzedzickis A., Subačiūtė-Žemaitienė J., Šutinys E. et al. Advanced applications of industrial robotics: New trends and possibilities // Applied Sciences. 2021. Vol. 12, no. 1. 135 p.Dzedzickis A., Subačiūtė-Žemaitienė J., Šutinys E. et al. Advanced applications of industrial robotics: New trends and possibilities // Applied Sciences. 2021. Vol. 12, no. 1. 135 p.Siegwart R., Nourbakhsh I. R., Scaramuzza D. Introduction to Autonomous Mobile Robots. 2nd ed. Cambridge, Massachusetts : The MIT press, 2011. 453 p.Siegwart R., Nourbakhsh I. R., Scaramuzza D. Introduction to Autonomous Mobile Robots. 2nd ed. Cambridge, Massachusetts : The MIT press, 2011. 453 p.Borenstein J., Everett H. R., Feng L. Where am I? Sensors and Methods for Mobile Robot Positioning. Michigan : The University of Michigan, 1996. 282 p.Borenstein J., Everett H. R., Feng L. Where am I? Sensors and Methods for Mobile Robot Positioning. Michigan : The University of Michigan, 1996. 282 p.Drawil N. M., Amar H. M., Basir O. A. GPS localization accuracy classification: A context-based approach // IEEE Transactions on Intelligent Transportation Systems. 2013. Vol. 14, no. 1. P. 262–273.Drawil N. M., Amar H. M., Basir O. A. GPS localization accuracy classification: A context-based approach // IEEE Transactions on Intelligent Transportation Systems. 2013. Vol. 14, no. 1. P. 262–273.De Luca A., Oriolo G., Vendittelli M. Control of wheeled mobile robots: An experimental overview // RAMSETE: Articulated and Mobile Robotics for Services and Technology. 2002. P. 181–226.De Luca A., Oriolo G., Vendittelli M. Control of wheeled mobile robots: An experimental overview // RAMSETE: Articulated and Mobile Robotics for Services and Technology. 2002. P. 181–226.Britting K. Unified error analysis of terrestrial inertial navigation systems // Guidance, Control and Flight Mechanics Conference, August 16–18, 1971. New York : American Institute of Aeronautics and Astronautics, 1971. 265 p.Britting K. Unified error analysis of terrestrial inertial navigation systems // Guidance, Control and Flight Mechanics Conference, August 16–18, 1971. New York : American Institute of Aeronautics and Astronautics, 1971. 265 p.Chong K. S., Kleeman L. Accurate odometry and error modelling for a mobile robot // Proceedings of the 1997 IEEE International Conference on Robotics and Automation, April 20–25, 1997. Albuquerque : Institute of Electrical and Electronics Engineers, 1997. Vol. 4. p. 2783–2788.Chong K. S., Kleeman L. Accurate odometry and error modelling for a mobile robot // Proceedings of the 1997 IEEE International Conference on Robotics and Automation, April 20–25, 1997. Albuquerque : Institute of Electrical and Electronics Engineers, 1997. Vol. 4. p. 2783–2788.Borenstein J., Feng L. Measurement and correction of systematic odometry errors in mobile robots // IEEE Transactions on Robotics and Automation. 1996. Vol. 12, no. 6. P. 869–880.Borenstein J., Feng L. Measurement and correction of systematic odometry errors in mobile robots // IEEE Transactions on Robotics and Automation. 1996. Vol. 12, no. 6. P. 869–880.Kelly A. Linearized error propagation in odometry // The International Journal of Robotics Research. 2004. Vol. 23, no. 2. P. 179–218.Kelly A. Linearized error propagation in odometry // The International Journal of Robotics Research. 2004. Vol. 23, no. 2. P. 179–218.Weitkamp C. LiDAR: Introduction // Laser remote sensing. Boca Raton : CRC Press, 2005. P. 19–54.Weitkamp C. LiDAR: Introduction // Laser remote sensing. Boca Raton : CRC Press, 2005. P. 19–54.Besl P. J., McKay N. D. A method for registration of 3-D shapes // IEEE Transactions on Pattern Analysis and Machine Intelligence. 1992. Vol. 14, no. 2. P. 239–256. https://doi.org/10.1109/34.121791.Besl P. J., McKay N. D. A method for registration of 3-D shapes // IEEE Transactions on Pattern Analysis and Machine Intelligence. 1992. Vol. 14, no. 2. P. 239–256. https://doi.org/10.1109/34.121791.Vizzo I., Chen X., Chebrolu N. et al. Poisson surface reconstruction for LiDAR odometry and mapping // 2021 IEEE International Conference on Robotics and Automation (ICRA), May 30–June 05, 2021, Xi’an, China. Xi’an : Institute of Electrical and Electronics Engineers, 2021. https://doi.org/10.1109/ICRA48506.2021.9562069.Vizzo I., Chen X., Chebrolu N. et al. Poisson surface reconstruction for LiDAR odometry and mapping // 2021 IEEE International Conference on Robotics and Automation (ICRA), May 30–June 05, 2021, Xi’an, China. Xi’an : Institute of Electrical and Electronics Engineers, 2021. https://doi.org/10.1109/ICRA48506.2021.9562069.Dellenbach P., Deschaud J. E., Jacquet B. et al. CTICP: Real-time elastic LiDAR odometry with loop closure // 2022 IEEE International Conference on Robotics and Automation (ICRA), May 23–27, 2022, Philadelphia, USA. Philadelphia : Institute of Electrical and Electronics Engineers, 2022. https://doi.org/10.1109/ICRA46639.2022.9811849.Dellenbach P., Deschaud J. E., Jacquet B. et al. CTICP: Real-time elastic LiDAR odometry with loop closure // 2022 IEEE International Conference on Robotics and Automation (ICRA), May 23–27, 2022, Philadelphia, USA. Philadelphia : Institute of Electrical and Electronics Engineers, 2022. https://doi.org/10.1109/ICRA46639.2022.9811849.Thrun S. Probabilistic robotics // Communications of the ACM. 2002. Vol. 45, no. 3. P. 52–57.Thrun S. Probabilistic robotics // Communications of the ACM. 2002. Vol. 45, no. 3. P. 52–57.Yeong D. J., Velasco-Hernandez G., Barry J. et al. Sensor and sensor fusion technology in autonomous vehicles: A review // Sensors. 2021. Vol. 21, no. 6. P. 2140.Yeong D. J., Velasco-Hernandez G., Barry J. et al. Sensor and sensor fusion technology in autonomous vehicles: A review // Sensors. 2021. Vol. 21, no. 6. P. 2140.Kalman R. E. A new approach to linear filtering and prediction problems // Transactions of the ASME–Journal of Basic Engineering. 1960. Vol. 82. P. 35–45.Kalman R. E. A new approach to linear filtering and prediction problems // Transactions of the ASME–Journal of Basic Engineering. 1960. Vol. 82. P. 35–45.Chitta K., Prakash A., Jaeger B. et al. TransFuser: Imitation with transformer-based sensor fusion for autonomous driving // IEEE Transactions on Pattern Analysis and Machine Intelligence. 2022. Vol. 45, no. 11. P. 12878–12895.Chitta K., Prakash A., Jaeger B. et al. TransFuser: Imitation with transformer-based sensor fusion for autonomous driving // IEEE Transactions on Pattern Analysis and Machine Intelligence. 2022. Vol. 45, no. 11. P. 12878–12895.

The authors declare that there are no conflicts of interest present.