Một chút nền tảng của mục tiêu của tôi

Tôi đang trong quá trình xây dựng một robot tự động di động phải điều hướng xung quanh một khu vực không xác định, phải tránh chướng ngại vật và nhận đầu vào bằng giọng nói để thực hiện các nhiệm vụ khác nhau. Nó cũng phải nhận dạng khuôn mặt, vật thể, v.v. Tôi đang sử dụng cảm biến Kinect và dữ liệu đo hình bánh xe làm cảm biến. Tôi đã chọn C # làm ngôn ngữ chính của mình làm trình điều khiển chính thức và sdk có sẵn. Tôi đã hoàn thành mô-đun Vision và NLP và đang làm việc với phần Điều hướng.

Robot của tôi hiện đang sử dụng Arduino làm mô-đun để liên lạc và bộ xử lý Intel i7 x64 bit trên máy tính xách tay làm CPU.

Đây là tổng quan về robot và thiết bị điện tử của nó:

Vấn đề

Tôi đã triển khai một thuật toán SLAM đơn giản để có được vị trí robot từ các bộ mã hóa và thêm bất cứ thứ gì nó nhìn thấy bằng cách sử dụng động vật (như một lát 2D của đám mây điểm 3D) vào bản đồ.

Đây là bản đồ của phòng tôi hiện tại trông như sau:

Đây là một đại diện thô của phòng thực tế của tôi:

Như bạn có thể thấy, chúng rất khác nhau và bản đồ rất xấu.

• Đây có phải là dự kiến ​​từ việc sử dụng chỉ tính toán chết?
• Tôi biết các bộ lọc hạt tinh chỉnh nó và sẵn sàng thực hiện, nhưng những cách tôi có thể cải thiện kết quả này là gì?

Cập nhật

Tôi quên đề cập đến cách tiếp cận hiện tại của tôi (mà trước đó tôi đã phải quên). Chương trình của tôi đại khái thực hiện điều này: (Tôi đang sử dụng hashtable để lưu trữ bản đồ động)

• Lấy điểm đám mây từ Kinect
• Đợi dữ liệu đo hình học nối tiếp đến
• Đồng bộ hóa bằng phương pháp dựa trên dấu thời gian
• Ước tính tư thế robot (x, y, theta) bằng các phương trình tại Wikipedia và dữ liệu mã hóa
• Có được một "lát" của đám mây điểm
• Lát của tôi về cơ bản là một mảng các tham số X và Z
• Sau đó, vẽ các điểm này dựa trên tư thế robot và các thông số X và Z
• Nói lại

Đây có phải là những gì sẽ được mong đợi: về nguyên tắc có. Mặc dù bạn có thể cải thiện mô hình đo hình của mình, nhưng nói chung là không đủ để có được một bản đồ tốt. Không có một mô tả về hệ thống của bạn, thật khó để nói làm thế nào để cải thiện nó. Trên hầu hết các hệ thống ước tính dịch là tốt hơn so với luân chuyển. Bạn có thể thêm một con quay hồi chuyển và đo vòng quay. Điều này sẽ cải thiện kết quả của bạn đáng kể.

Thay vì tự thực hiện bộ lọc hạt, bạn có thể sử dụng triển khai SLAM, ví dụ như từ openslam . Điều này sẽ giúp bạn tiết kiệm rất nhiều thời gian, và rất có thể sẽ cho kết quả tốt hơn.

Tôi khuyên bạn nên thử bộ lọc hạt / EKF.

Những gì bạn hiện đang làm:

-> Xác định chết: Bạn đang nhìn vào vị trí hiện tại của mình mà không có bất kỳ tham khảo nào.

-> Bản địa hóa liên tục: Bạn đại khái biết bạn đang ở đâu trên bản đồ.

Nếu bạn không có tài liệu tham khảo và không biết bạn đang ở đâu trên bản đồ, bất kể bạn thực hiện hành động nào, bạn sẽ thấy thật khó khăn để có được một bản đồ hoàn hảo.

Ví dụ: Bạn đang ở trong một căn phòng hình tròn. Bạn tiếp tục tiến về phía trước. Bạn biết bước cuối cùng của bạn là gì. Bản đồ mà bạn nhận được sẽ là một cấu trúc giống như một hộp thẳng. Điều này sẽ xảy ra trừ khi và cho đến khi bạn có một số cách để bản địa hóa hoặc để biết chính xác bạn đang ở đâu trên bản đồ.

Việc bản địa hóa có thể được thực hiện thông qua EKF / Bộ lọc hạt nếu bạn có điểm tham chiếu bắt đầu. Tuy nhiên, điểm tham chiếu bắt đầu là phải.

Bởi vì bạn đang sử dụng xác định chết các lỗi trong việc ước tính tư thế của robot tích lũy kịp thời. Từ kinh nghiệm của tôi, sau một thời gian, ước tính tư thế chết đã trở nên vô dụng. Nếu bạn sử dụng các cảm biến bổ sung, như Con quay hồi chuyển hoặc Gia tốc kế, ước tính tư thế sẽ được cải thiện nhưng vì bạn không có phản hồi tại một số điểm, nó sẽ phân kỳ như trước. Do đó, ngay cả khi bạn có dữ liệu tốt từ Kinect, việc xây dựng bản đồ chính xác là khó khăn vì ước tính tư thế của bạn không hợp lệ.

Bạn cần bản địa hóa robot của mình cùng lúc với việc bạn cố gắng xây dựng bản đồ của mình (SLAM!). Vì vậy, khi bản đồ được tạo ra, bản đồ tương tự cũng được sử dụng để bản địa hóa robot. Điều này đảm bảo rằng ước tính tư thế của bạn sẽ không phân kỳ và chất lượng bản đồ của bạn sẽ tốt hơn. Do đó, tôi khuyên bạn nên nghiên cứu một số thuật toán SLAM (ví dụ FastSLAM) và cố gắng thực hiện phiên bản của riêng bạn.