Partikelfilter SLAM für ein AMR: Unterschied zwischen den Versionen

Version vom 9. August 2023, 12:54 Uhr

Autor: Benjamin Dilly
Art: Projektarbeit
Geplanter Start: 20.02.2023
Betreuer: Prof. Schneider

Aufgabenstellung

Recherche zur Partikelfilter SLAM Verfahren (Quelle: Probabilistic robotics von Sebastian Thrun)
Detaillierte Erläuterung des FastSLAM 2.0
Umsetzung in MATLAB auf Basis bestehender Simulationen
Entwicklung von Gütekriterien
Bewertung der Vor- und Nachteile anhand der Gütekriterien
Dokumentation nach wissenschaftlichem Stand im HSHL-Wiki

Anforderungen an die wissenschaftliche Arbeit

Wissenschaftliche Vorgehensweise (Projektplan, etc.), nützlicher Artikel: Gantt Diagramm erstellen
Zweiwöchiges Web-Meeting (via WebEx)
Projektvorstellung im Wiki
Studentische Arbeiten bei Prof. Schneider
Anforderungen an eine wissenschaftlich Arbeit

Getting Started

Nutzen Sie diese Artikel, um sich in das Thema einzuarbeiten:

Wiki-Artikel_schreiben, die Vorlage finden Sie hier: Artikelvorlage
Regeln zum Umgang mit SVN
Probabilistic robotics von Sebastian Thrun
Open SLAM MATLAB Beispiele von Tim Bailey

Einstiegvideos

Zusätzliche Verständnisvideos

Projektplan

Abb. 1: Projektplan

Zusammenfassung

SLAM ist ein Verfahren, welches das Kartierungs- und Lokalisationsproblem lösen soll. Dies bedeutet die gleichzeitige Lokalisierung und Kartenerstellung. Hierbei werden Lokalisation und Kartierung im Laufe der Zeit, bis zu einem bestimmten Grad immer besser. Dieser Grad ist abhängig vom verwendeten Verfahren, der verwendeten Aktorik, Sensorik und der Parametrisierung des Algorithmus.

Es wird eingesetzt, um die Ungenauigkeit der Odometrie über bspw. Hallsensoren und oder Gierrate auszugleichen, welche mit zunehmender Zeit zu einer stetig steigenden Ungenauigkeit der Lokalisierung führt. Hierdurch kann einerseits keine akkurate Umgebungskarte erstellt werden und andererseits auch keine Navigation vorgenommen werden, da für beide Fälle eine ausrechend genaue Kenntnis der aktuellen Position und Ausrichtung des Roboters vorhanden sein muss. Das Ziel des SLAM-Verfahrens ist es hierbei, die maximale Abweichung der Lokalisierung auf einen fes-ten Bereich zu beschränken, der über die gesamte Zeit gleichbleibt. Hierdurch kann eine Navigation und Kartenerstellung ermöglicht werden, da die maximale Ungenauigkeit auf ein akzeptierbares Niveau eingestellt werden kann.

Es gibt verschiedene SLAM-Arten wie: EKF-SLAM oder Graph-SLAM. In dieser Arbeit wurde die Partikelbasierten SLAM-Verfahren FastSLAM1.0 und 2.0 behandelt. Sie zeichnen sich durch eine bessere Effizienz und Stabilität im Vergleich zu anderen SLAM-Verfahren aus. Hierbei gibt es zwei Arten: known und unknown Data Association. Erstere ist geeignet, um eingesetzt zu werden, wenn eine ausreichend genaue Karte der Umgebung existiert, die zur Navigation genutzt werden soll. Zweitere wird verwendet, wenn noch keine Karte bekannt ist und diese erst im Laufe des Verfahrens ermittelt wird. Die Kartenerstellung ist nur erfolgreich, wenn die Umgebung genügend undynamischer Elemente enthält. Während sich bspw. Menschen in einem Park oder einem Einkaufszentrum sukzessive aus der Karte eliminieren, werden bspw. Bäume oder auch Regale oder Möbel dauerhaft festgehalten. Hierbei verliert die Karte an Aussagekraft, je mehr dieser Elemente verschwinden, d.h. wenn Möbel umgestellt oder Bäume gefällt werden.

Es gibt zwei Arten der Implementation: Landmarken und Belegtheitsrasterkarte (Occupancy Grid Mapp). Erstere stellt Objekte als einen oder mehrere Koordinatenpunkte dar und ist somit Speicher- und Bearbeitungsärmer und gut zur Outdoornavigation geeignet. Um hierbei eine Rasterkarte zu erstellen, muss die erstellte Landmarkenkarte nachbehandelt werden. Hierbei ist eine sehr feine Markenauflösung von Nöten, die durch einen besseren Sensor, wie Mess- und Stellgenauigkeit, Gradauflösung und oder Rotationsgeschwindigkeit ermöglicht wird. Die Belegtheitsrasterkartenimplementation erstellt hierbei eine rasterkartenbasierte Karte der Umgebung, welche keine Nachbehandlung benötigt. Sie ermöglicht eine sehr einfache Navigation, ist jedoch Speicher und Rechenaufwendiger und bedarf mehr Durchläufe, um ein akkurates Ergebnis zu erzielen. Zudem ist diese Variante eher für Indooranwendungen geeignet, da her die räumliche Ausdehnung begrenzt ist und mehr signifikante Informationen wie Wände, Schränke, Stühle usw. vorhanden sind, welche in einem Park fehlen der nur spärliche Informationen bereitstellt durch bspw. einer Handvoll Bäume und offener Fläche.

FastSLAM 2.0 unterscheidet sich von 1.0 in der Art der Landmarkenschätzung. Während FastSLAM 1.0 eine einfache Posenschätzung der neuen Partikelpose vornimmt und daraufhin die Messung abgleicht, versucht FastSLAM 2.0 die Pose unter allen möglichen neuen Posen zu finden, von der aus unter Berücksichtigung der Messungenauigkeit eine Landmarke am eindeutigsten gesehen werden kann. Hierdurch wird die Gewichtungsberechnung und die Posenschätzung der tatsächlichen Roboterpose verbessert.

Das Resultat des Verfahrens kann durch Verbessern der Aktorgenauigkeit oder des Lidarsensors im Sinne der Mess- und Positionierungsgenauigkeit, der Rotationsgeschwindigkeitserhöhung und der Gradauflösung verbessert werden.

Zu Vid.1 bis Vid. 10: Grüne Sterne sind Landmarken, magenta Punkte sind geschätzte Landmarkenpositionen, rote Punkte sind Partikel, grüner Pfeil ist die tatsächliche Pose des Roboters und der blaue die geschätzte Pose des Roboters.

Vid. 10: Darstellung einer zu geringen Sensorreichweite mit 1000 Partikeln und zu geringer Resamplinggrenze

Projektunterlagen

Weblinks

Literatur

S. Thrun und e. al., Probabilistic Robotics, Massachusetts: The MIT Press, 2006.

→ zurück zum Hauptartikel: Studentische Arbeiten

@@ Zeile 92: / Zeile 92: @@
 [[Medium:Partikelfilter SLAM für AMR Ergebnistabelle example_webmap Szenarien 8-11.xlsx]]<br>
 [[Medium:Partikelfilter SLAM für AMR Ergebnistabelle example_webmap Szenarien 12-15.xlsx]]<br>
-[[Medium:Partikelfilter SLAM für AMR Präsentation.pdf]]<br>
 == Weblinks ==