Die Arbeit widmet sich mit dem "Synchronous Localization and Mapping" (kurz SLAM) einer grundlegenden Problematik der autonomen Roboter-Navigation. Neben der Problematik selbst werden einige Konzepte zur Lösung des Problems vorgestellt. Das grundlegende Standardkonzept des EKF - SLAMs wird detaillierter behandelt. Diese genauere Analyse zielt auf eine Implementierung auf dem "Artficial Intelligence Concept Car"(kurz AICC) Projektprototypen der im Projektjahr aus einer vollständigen Uberarbeitung des TTcars entstanden ist. Die Implementierung dieses Navigations-Konzepts wird in dieser Arbeit ebenso dokumentiert, wie auch die Erkenntnisse und etwaige Weiterführungs- und Verbesserungsvorschläge für weiterführende Projekte.
Inhaltsverzeichnis
1 Einleitung
1.1 Problemstellung
2 Überblick über SLAM
2.1 Gemeinsame Begriffe
2.1.1 Inertialnavigation (Dead Reckoning)
2.1.2 Landmarken
2.1.3 Kalman Filter
2.2 Landmarkenfindung
2.2.1 Pattern Matching
2.2.2 SPIKES
2.2.3 RANSAC - Random Sample Consensus
2.3 EKF - SLAM
2.4 FAST SLAM
2.5 Weitere Entwicklungen
3 EKF - SLAM auf AICC
3.1 Landmarkenfindung
3.1.1 RANSAC zur Wanderkennung
3.1.2 Ermittlung der Eckpunkte
3.2 Extended Kalman Filter
3.2.1 Aufbau und Inhalt der Filtermatrizen
3.2.2 Vorhersage (state prediction)
3.2.3 Datenassoziation
3.2.4 Korrektur (state correction)
3.2.5 Hinzufügen neuer Landmarken
4 Erkenntnisse aus der Implementierung
Zielsetzung & Themen
Die Arbeit untersucht die Herausforderungen der autonomen Navigation in Gebäuden unter Verwendung des SLAM-Verfahrens (Simultaneous Localization and Mapping). Ziel ist die Implementierung eines Navigationskonzepts für das "Artificial Intelligence Concept Car" (AICC), um das Fahrzeug in die Lage zu versetzen, sich autonom in einer Umgebung zurechtzufinden, ohne dabei auf ein GPS-Signal angewiesen zu sein.
- Grundlagen der Roboternavigation und Inertialnavigation
- Analyse und Vergleich verschiedener SLAM-Algorithmen
- Implementierung des EKF-SLAM (Extended Kalman Filter)
- Verwendung von RANSAC zur Landmarkenfindung
- Datenassoziation und Fehlerkorrektur bei der Umgebungsabbildung
Auszug aus dem Buch
3.1.1 RANSAC zur Wanderkennung
Wie schon in Kapitel[2.2.3] erläutert eignet sich der RANSAC Algorithmus gut um in Gebäudeumgebungen aus LIDAR – Scans Wände zu ermitteln, also erscheint es naheliegend für den Roboter AICC, der über einen LIDAR – Scanner verfügt, genau diesen Ansatz zu verfolgen.
Es stehen im System bereits aufbereitete Datensätze zur Verfügung. Die Daten wurden bereits aus dem vom LIDAR erhaltenen Telegramm entnommen, auf Übertragungsfehler geprüft, Messfehler durch reflektierende Objekte wurden bereits gefiltert und die Polarkoordinaten in ein kartesisches Koordinatensystem überführt. Der Datensatz eines Scans wird an die Landmarkenerkennung als Array von Punkten mit jeweils ganzzahliger X und Y - Koordinate in cm übergeben.
3.1.1.1 RANSAC Algorithmenbeschreibung
Die RANSAC Algorithmenbeschreibung und der Code zum Ermitteln einer Gerade aus diesem Datensatz lautet dann wie folgt:
3.1.1.1.1 Wähle eine beliebige Untermenge aus dem Datensatz: Zur Beschreibung einer Gerade genügen 2 Punkte, für einen Kreisbogen oder eine Ebene im dreidimensionalen Raum würde man mindestens 3 Punkte benötigen. Also müssen mit Hilfe einer Random - Funktion zwei Indizes innerhalb des Arrays gewählt werden. Wichtig ist hierbei, dass es zwei verschiedene Indizes sind, sonst kann es zu Fehlern kommen, da zwei ineinander liegende Punkte eine Gerade mit unbestimmter Steigung ergeben.
Zusammenfassung der Kapitel
1 Einleitung: Diese Einleitung beschreibt die Problematik der autonomen Roboternavigation und führt in die SLAM-Methodik als Lösung für Umgebungen ohne GPS ein.
2 Überblick über SLAM: Dieses Kapitel erläutert grundlegende Begriffe der Roboternavigation, wie Inertialnavigation und Kalman-Filter, sowie verschiedene Ansätze zur Landmarkenfindung und SLAM-Implementierungen.
3 EKF - SLAM auf AICC: Hier wird die praktische Anwendung des EKF-SLAM auf dem Projektfahrzeug AICC detailliert beschrieben, inklusive der Landmarkenfindung mittels RANSAC und der Filterlogik.
4 Erkenntnisse aus der Implementierung: Der Autor zieht ein Resümee über die Ergebnisse, analysiert die aufgetretenen Schwierigkeiten bei der Umsetzung des SLAM-Verfahrens und gibt Empfehlungen für zukünftige Arbeiten.
Schlüsselwörter
Robotik, Navigation, SLAM, Kalman Filter, Extended Kalman Filter, RANSAC, AICC, LIDAR, Inertialnavigation, Dead Reckoning, Datenassoziation, Landmarken, Autonome Fahrzeuge, Pfadplanung
Häufig gestellte Fragen
Worum geht es in dieser Arbeit grundsätzlich?
Die Arbeit beschäftigt sich mit dem sogenannten SLAM-Problem (Simultaneous Localization and Mapping) für autonome Roboter, um eine Navigation ohne GPS in Innenräumen zu ermöglichen.
Was sind die zentralen Themenfelder der Arbeit?
Im Fokus stehen die algorithmische Lösung des SLAM-Problems, die Umfelderkennung mittels LIDAR-Sensoren sowie die mathematische Modellierung mittels Kalman-Filtern.
Was ist das primäre Ziel der Bachelorarbeit?
Das Ziel ist die Implementierung eines Navigationskonzepts für das "Artificial Intelligence Concept Car" (AICC), um dessen Autonomie bei der Wegfindung und Umgebungserfassung in Gebäuden zu erhöhen.
Welche wissenschaftliche Methode wird primär verwendet?
Die Arbeit basiert primär auf dem "Extended Kalman Filter" (EKF) in Kombination mit dem RANSAC-Algorithmus zur Landmarkenextraktion aus LIDAR-Daten.
Was wird im Hauptteil der Arbeit behandelt?
Der Hauptteil befasst sich detailliert mit der mathematischen Herleitung des EKF-SLAM, der Struktur der Filtermatrizen und der konkreten algorithmischen Umsetzung der Datenassoziation.
Welche Schlüsselwörter charakterisieren die Arbeit?
Die Arbeit wird maßgeblich durch die Begriffe SLAM, Kalman Filter, AICC, Robotik, RANSAC und Landmarken bestimmt.
Warum wird RANSAC zur Wanderkennung eingesetzt?
Der RANSAC-Algorithmus wird gewählt, weil er eine hohe Robustheit gegenüber Ausreißern in den LIDAR-Messdaten bietet und sich gut eignet, um aus verrauschten Scandaten geometrische Strukturen wie Wände zu extrahieren.
Welche Rolle spielt die Datenassoziation bei der SLAM-Implementierung?
Die Datenassoziation ist entscheidend, um neu gesichtete Landmarken mit bereits in der Karte registrierten Landmarken abzugleichen, was für die Korrektur der Roboterposition und die Aktualisierung der Karte zwingend erforderlich ist.
- Quote paper
- Helmut Angerer (Author), 2009, SLAM. Navigationskonzepte für autonome Fahrzeuge, Munich, GRIN Verlag, https://www.grin.com/document/125681
