Полевые испытания длятся около 40 дней с 8 декабря 2014 года, включая 10 дней подготовительной отладочной работы, демонстрационное видео можно посмотреть на YouTube. Роботизированная система была развернута в торговом центре GOOCOO, который является крупнейшим и наиболее процветающим в Город Хэфэй, Китай. Он работал на первом этаже площадью более 30 000 м2 (241 140 м2), собрав около 160 коммерческих арендаторов, показанных на плане этажа.
Картографический эксперимент
Первым шагом к развертыванию системы роботов было создание карты окружающей среды. Чтобы собрать данные лазера и данные одометрии для составления карт, робот управлял, чтобы прогуляться по всем проходам в торговом центре с помощью беспроводного джойстика. Маршрут сбора данных обозначен синими линиями и красными стрелками длиной около 1,3 км, включая 147 800 кадров лазерных данных. Окончательная карта, построенная на основе предложенного отображения дерева квадрантов;
Размер карты составляет 236,6 97,45 м2 с разрешением 0,05 м. Метод сравнивался с исходным G-отображением (на основе карты сетки) на тех же собранных данных в автономном режиме. Оба эксперимента использовали 30 частиц для оценки карты, новые наблюдения были добавлены на карту только тогда, когда робот переместился более чем на 1,5 м или повернулся более чем на 60 градусов.
Среднее количество памяти, необходимое для каждой частицы это число ячеек сетки и конечных узлов, дисковое пространство на карте и время. В целом, потребление памяти и диска значительно сокращается, но затрачиваемое время увеличивается до 40%, которое в основном расходуется на процедуры сопоставления и обновления карт. В приложении увеличенное время является приемлемым, поскольку в системе KeJia нет необходимости в онлайн-картографировании.
Калибровка и локализация одометрии
Калибровку одометрии проводили в лаборатории, где был установлен пассивный оптический MoCap. Система MoCap состоит из 12 камер, оборудованных инфракрасными светодиодами вокруг объектива камеры.
Отражающие маркеры фиксируются на измеряемых объектах, а изображения центров маркеров сопоставляются с различных видов камеры с использованием триангуляции для вычисления их межкадровых положений в трехмерном пространстве. Робот был установлен с отметкой на основании и двигался по заданным маршрутам.
Чтобы исключить возможную компенсацию, существовавшую на различных типах траекторий, были разработаны два режима выборки для определения фактических значений параметров одометрии, то есть движение по часовой стрелке и круги против часовой стрелки. В каждом режиме отбора проб было отобрано 10 траекторий для системы последующей калибровки, и каждая траектория имела длину около 6 м.
Между тем данные энкодера регистрировались с частотой 40 Гц. Таким образом, были подготовлены три набора данных: набор данных A включает в себя 10 траекторий по часовой стрелке, набор данных B включает в себя 10 траекторий против часовой стрелки, и набор данных C собирается путем выбора 5 траекторий из A и B соответственно.
Три калиброванных набора параметров находятся почти рядом друг с другом и отличаются друг от друга номинальным значением (NV). Чтобы проверить эти параметры, робота заставляли следовать по замкнутой траектории длиной 100 м, и начальная точка рассматривалась как контрольная точка. Одометрия была рассчитана с тремя наборами параметров и NV. Трудно сказать, какой набор данных лучше, но все они превосходят некалиброванный NV.
Чтобы проверить эффективность улучшенного метода MCL в динамических средах, были проведены смоделированные эксперименты с беседкой. Имитируемый сценарий представлял собой переполненный проход (пешеходы были неподвижны), TurtleBot, установленный с лазером, должен пройти через толпы.
Один и тот же маршрут будет сопровождаться роботом много раз в одном и том же сценарии, но с различным количеством пешеходов в нем, пешеходы были добавлены в новые позиции и сохранили существующий сценарий без изменений.
В ходе сравнительных экспериментов очевидно, что чем больше людей в окружающей среде, тем меньше будет sp, что доказывает, что предлагаемый уровень коррупции может адекватно отражать динамику окружающей среды.
Между тем, это также доказывает, что предложенный метод является более надежным, чем оригинальный метод MCL, даже в условиях переполненности он все еще достигает успеха более чем на 50%.
Спасибо что вы дочитали до конца! А вы когда то общались с роботами? Был ли у вас какой то опыт в этом? Напишите в комментариях. Поставь лайк и подпишись на канал чтобы не пропустить что то интересное.