Синтезирование методов локализации и одометрии для задач позиционирования мобильных роботов в закрытом пространстве

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

1. 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.

2. Siegwart R., Nourbakhsh I. R., Scaramuzza D. Introduction to Autonomous Mobile Robots. 2nd ed. Cambridge, Massachusetts : The MIT press, 2011. 453 p.

3. 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.

4. 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.

5. 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.

6. 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.

7. 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.

8. 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.

9. Kelly A. Linearized error propagation in odometry // The International Journal of Robotics Research. 2004. Vol. 23, no. 2. P. 179–218.

10. Weitkamp C. LiDAR: Introduction // Laser remote sensing. Boca Raton : CRC Press, 2005. P. 19–54.

11. 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.

12. 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.

13. 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.

14. Thrun S. Probabilistic robotics // Communications of the ACM. 2002. Vol. 45, no. 3. P. 52–57.

15. 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.

16. 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.

17. 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.