Over the last years a rapid growth of the robotics industry has been noticed. Despite the fact that they were primarily used for military applications, nowadays many robotic applications have emerged trying to help people to deal with both everyday and professional tasks.
An important field of robotics applications is the unmanned ground vehicle navigation in known or unknown environments. There is a vast variety of such systems that have already been developed, such as autonomous vehicles, automated house cleaning robots, autonomous real time inventorying, mapping unknown areas etc.
The present Diploma Thesis focuses on studying and solving the problem of the fast and optimal autonomous inventorying of any known 2D warehouse. This problem consists of three sub problems: a) the separation of the known area into subareas, b) the computation of the visiting sequence of these subareas, and c) the computation of the full coverage path in each subarea. The area coverage is accomplished using sensors with a priori unknown characteristics.
A 2D occupancy grid map representing the environment has been used, in order to face these problems. First, a topological analysis of the map is implemented to locate the area's different rooms, according to which the area is separated. Next, the optimal room sequence is computed. Then, a coverage path for each room is computed through many stages of optimization. The evaluation metrics of the process are the complete area coverage and the execution time of both the computations and the navigation. In addition, in the present Diploma Thesis two different navigation strategies have been developed and compared.
Finally, a series of experiments were carried out at each stage of the implementations in order to thoroughly test each part. Maps with different topologies and sensors with different configurations were used to obtain robust results and test the developed process. As for the experiments, they were solely executed in simulation environments.
Full coverage of a priori known map from multiple robotic agents
Nikolaos Malamas thesis: Full Coverage of Known Area with Unmanned Ground Vehicle using Path Patterns and Semantic Map Annotation
1. Πλήρης Κάλυψη Γνωστού Χώρου από επίγειο
όχημα με χρήση Στρατηγικών Πλοήγησης και
Σημασιολογική Ανάλυση του χάρτη
Νικόλας Μάλαμας
ΑΕΜ: 8400
Επιβλέποντες:
Αν. Καθηγητής Συμεωνίδης Ανδρέας
Δρ. Τσαρδούλιας Εμμανουήλ
Τμήμα Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών
Αριστοτέλειο Πανεπιστήμιο Θεσσαλονίκης
2. Πλήρης Κάλυψη Γνωστού Χώρου από επίγειο όχημα με χρήση Στρατηγικών Πλοήγησης και Σημασιολογική Ανάλυση του χάρτη
Νικόλας Μάλαμας
Εφαρμογές Ρομποτικής
8. Πλήρης Κάλυψη Γνωστού Χώρου από επίγειο όχημα με χρήση Στρατηγικών Πλοήγησης και Σημασιολογική Ανάλυση του χάρτη
Νικόλας Μάλαμας
Εντοπισμός Δωματίων - Διαδικασία (1)
● Υπολογισμός τοπικών ελαχίστων των τιμών brushfire πάνω στο GVD
9. Πλήρης Κάλυψη Γνωστού Χώρου από επίγειο όχημα με χρήση Στρατηγικών Πλοήγησης και Σημασιολογική Ανάλυση του χάρτη
Νικόλας Μάλαμας
Εντοπισμός Δωματίων - Διαδικασία (2)
● Αντιστοιχία συνεχόμενων σημείων σε ένα αντιπροσωπευτικό
10. Πλήρης Κάλυψη Γνωστού Χώρου από επίγειο όχημα με χρήση Στρατηγικών Πλοήγησης και Σημασιολογική Ανάλυση του χάρτη
Νικόλας Μάλαμας
Εντοπισμός Δωματίων - Διαδικασία (3)
● Έλεγχος ύπαρξης πόρτας με συγκεκριμένα κριτήρια:
○ Το σημείο βρίσκεται ανάμεσα σε δύο εμπόδια
○ Στην προέκταση των δύο εμποδίων υπάρχει σημαντικός χώρος που είναι καλυμμένος
11. Εντοπισμός Δωματίων - Αποτελέσματα
Σε 80 χάρτες:
Dataset: HouseExpo A Large-scale 2D Indoor
Layout Dataset for Learning-based Algorithms on
Mobile Robots
True Positives 501
False Negatives 40
False Positives 149
Ακρίβεια 92.606%
13. Πλήρης Κάλυψη Γνωστού Χώρου από επίγειο όχημα με χρήση Στρατηγικών Πλοήγησης και Σημασιολογική Ανάλυση του χάρτη
Νικόλας Μάλαμας
Αλληλουχία Δωματίων - Διαδικασία (1)
● Δημιουργία γράφου με κόμβους τις πόρτες
● Υπολογισμός όλων των αποστάσεων
14. Πλήρης Κάλυψη Γνωστού Χώρου από επίγειο όχημα με χρήση Στρατηγικών Πλοήγησης και Σημασιολογική Ανάλυση του χάρτη
Νικόλας Μάλαμας
Αλληλουχία Δωματίων - Διαδικασία (2)
● Υπολογισμός βέλτιστης διαδρομής
● Αντιστοιχία αλληλουχίας πορτών με αλληλουχία δωματίων
15. Πλήρης Κάλυψη Γνωστού Χώρου από επίγειο όχημα με χρήση Στρατηγικών Πλοήγησης και Σημασιολογική Ανάλυση του χάρτη
Νικόλας Μάλαμας
Υπολογισμός Βέλτιστης Διαδρομής
Χρησιμοποιήθηκαν δύο παραλλαγές του Hill Climbing αλγορίθμου:
● Random Restart Hill Climbing (RRHC)
● Anneal HC
Συγκρίθηκαν με τον αλγόριθμο κοντινότερου γείτονα σε 70 χάρτες.
16. Πλήρης Κάλυψη Γνωστού Χώρου από επίγειο όχημα με χρήση Στρατηγικών Πλοήγησης και Σημασιολογική Ανάλυση του χάρτη
Νικόλας Μάλαμας
Αλληλουχία Δωματίων - Αποτελέσματα
● Χάρτες που παρουσίασαν βελτίωση με RRHC: 31/70
● Μέση τιμή βελτίωσης: 3.256 %
● Τυπική απόκλιση βελτίωσης: 5.166 %
Ο anneal HC κρίθηκε ακατάλληλος, δεν παρέχει βελτίωση.
18. Πλήρης Κάλυψη Γνωστού Χώρου από επίγειο όχημα με χρήση Στρατηγικών Πλοήγησης και Σημασιολογική Ανάλυση του χάρτη
Νικόλας Μάλαμας
Μονοπάτι Πλήρους Κάλυψης - Διαδικασία (1)
● Δειγματοληπτικός υπολογισμός σημείων κάλυψης με πολλαπλά βήματα
● Διαχωρισμός σημείων σε δωμάτια
19. Πλήρης Κάλυψη Γνωστού Χώρου από επίγειο όχημα με χρήση Στρατηγικών Πλοήγησης και Σημασιολογική Ανάλυση του χάρτη
Νικόλας Μάλαμας
Μονοπάτι Πλήρους Κάλυψης - Διαδικασία (2)
● Υπολογισμός βέλτιστης αλληλουχίας επίσκεψης των σημείων
20. Πλήρης Κάλυψη Γνωστού Χώρου από επίγειο όχημα με χρήση Στρατηγικών Πλοήγησης και Σημασιολογική Ανάλυση του χάρτη
Νικόλας Μάλαμας
Μονοπάτι Πλήρους Κάλυψης - Διαδικασία (3)
● Υπολογισμός βέλτιστου προσανατολισμού σε κάθε σημείο
21. Πλήρης Κάλυψη Γνωστού Χώρου από επίγειο όχημα με χρήση Στρατηγικών Πλοήγησης και Σημασιολογική Ανάλυση του χάρτη
Νικόλας Μάλαμας
Μονοπάτι Πλήρους Κάλυψης - Διαδικασία (4)
● Προσομοίωση κάλυψης του χώρου και διαγραφή περιττών σημείων
22. Πλήρης Κάλυψη Γνωστού Χώρου από επίγειο όχημα με χρήση Στρατηγικών Πλοήγησης και Σημασιολογική Ανάλυση του χάρτη
Νικόλας Μάλαμας
Μονοπάτι Πλήρους Κάλυψης - Διαδικασία (5)
● Δημιουργία αλληλουχίας κόμβων ζιγκ-ζαγκ
24. Πλήρης Κάλυψη Γνωστού Χώρου από επίγειο όχημα με χρήση Στρατηγικών Πλοήγησης και Σημασιολογική Ανάλυση του χάρτη
Νικόλας Μάλαμας
Μονοπάτι Πλήρους Κάλυψης - Πειράματα
● 3 χάρτες διαφορετικής πολυπλοκότητας
● 4 σετ αισθητήρων:
○ μικρό/ μεγάλο Field Of View
○ μικρή/ μεγάλη ακτίνα
● 4 διαφορετικές στρατηγικές:
○ Wall follow
○ Zig zag
○ Απλή στρατηγική με δειγματοληψία μικρού σταθερού βήματος
○ Απλή στρατηγική με δειγματοληψία μεγάλου σταθερού βήματος
Χρησιμοποιήθηκαν:
25. Πλήρης Κάλυψη Γνωστού Χώρου από επίγειο όχημα με χρήση Στρατηγικών Πλοήγησης και Σημασιολογική Ανάλυση του χάρτη
Νικόλας Μάλαμας
Χάρτες Πειραμάτων
26. Πλήρης Κάλυψη Γνωστού Χώρου από επίγειο όχημα με χρήση Στρατηγικών Πλοήγησης και Σημασιολογική Ανάλυση του χάρτη
Νικόλας Μάλαμας
Μονοπάτι Πλήρους Κάλυψης - Μετρήσεις
Σε κάθε κάλυψη συλλέγονται οι παρακάτω μετρήσεις:
● Πλήθος poses διαδρομής
● Μήκος συνολικής διαδρομής
● Χρόνος πλήρους κάλυψης
● Ποσοστό συνολικής κάλυψης των εμποδίων του χώρου
● Μέση τιμή/ Διακύμανση πλήθους σαρώσεων κάθε σημείου (mean/ std of scans)
● Μέση τιμή/ Διακύμανση μετρικής γωνίας σάρωσης κάθε σημείου που έχει σαρωθεί (mean/
std of scans’ angles)
27. Πλήρης Κάλυψη Γνωστού Χώρου από επίγειο όχημα με χρήση Στρατηγικών Πλοήγησης και Σημασιολογική Ανάλυση του χάρτη
Νικόλας Μάλαμας
Μετρική Γωνίας Σάρωσης
28. Πλήρης Κάλυψη Γνωστού Χώρου από επίγειο όχημα με χρήση Στρατηγικών Πλοήγησης και Σημασιολογική Ανάλυση του χάρτη
Νικόλας Μάλαμας
Μονοπάτι Πλήρους Κάλυψης - Αποτελέσματα (1)
● Επιλογή κεραιών με μεγάλη ακτίνα και ευρύ FOV είναι η βέλτιστη
29. Πλήρης Κάλυψη Γνωστού Χώρου από επίγειο όχημα με χρήση Στρατηγικών Πλοήγησης και Σημασιολογική Ανάλυση του χάρτη
Νικόλας Μάλαμας
Μονοπάτι Πλήρους Κάλυψης - Αποτελέσματα (2)
● Η δειγματοληψία σημείων με πολλαπλά βήματα εντοπίζει σημεία από ολόκληρο τον χάρτη
και επιφέρει υψηλά ποσοστά κάλυψης των εμποδίων
30. Πλήρης Κάλυψη Γνωστού Χώρου από επίγειο όχημα με χρήση Στρατηγικών Πλοήγησης και Σημασιολογική Ανάλυση του χάρτη
Νικόλας Μάλαμας
Μονοπάτι Πλήρους Κάλυψης - Αποτελέσματα (3)
● Η wall follow στρατηγική οδηγεί σε πλήρη κάλυψη του χώρου στον μικρότερο δυνατό χρόνο
● Η zig zag οδηγεί σε αύξηση των σαρώσεων κατά μέσο όρο και σε μείωση της μετρικής γωνίας
σάρωσης, αλλά αυξάνει το πλήθος των στόχων και τον χρόνο πλοήγησης
31. Πλήρης Κάλυψη Γνωστού Χώρου από επίγειο όχημα με χρήση Στρατηγικών Πλοήγησης και Σημασιολογική Ανάλυση του χάρτη
Νικόλας Μάλαμας
Μελλοντικές επεκτάσεις
● Έλεγχος διαδικασίας σε πραγματικές καταστάσεις
● Βελτίωση του συστήματος εντοπισμού θέσης
● Χρήση πολλαπλών ρομποτικών οχημάτων
● Ταξινόμηση δωματίων
Στην αρχή η ρομποτική περιοριζόταν κυρίως σε στρατιωτικές εφαρμογές. Όμως η ανάπτυξη γνώσεων και δυνατοτήτων (hardware & software) έχει ανοίξει το εύρος των εφαρμογών. Κάποια παραδείγματα είναι η ένταξη της σε εργοστάσια (γραμμές παραγωγής), οι ιατρικές εφαρμογές, η εξερεύνηση του διαστήματος, αλλά συναντάται και σε καθημερινές εφαρμογές όπως τα αυτόνομα αυτοκίνητα.
Αποτελεσματική, εύκολη και οικονομική απογραφή προϊόντων σε μια γνωστή (!) αποθήκη
ROS: το πιο διαδεδομένο σύστημα υλοποίησης ρομποτικών συστημάτων. Αποτελεί ένα μεσολειτουργικό σύστημα, το οποίο διασυνδέει το software με το hardware με έναν τέτοιο τρόπο που η δημιουργία ρομποτικών συστημάτων και εφαρμογών είναι πιο απλή και γρήγορη.
Το Gazebo αποτελεί ένα περιβάλλον προσομοίωσης ρομποτικών εφαρμογών σε τρισδιάστατα εικονικά περιβάλλοντα. Προσομοιώνει φυσικούς νόμους και δίνει τη δυνατότητα πειραμάτων σε ρεαλιστικές συνθήκες. RViz οπτικοποίηση δεδομένων.
Navigation : Δηλώνοντας ένα σημείο ως στόχο της πλοήγησης δημιουργεί το κατάλληλο σύνολο εντολών ταχύτητας τις οποίες πρέπει να ακολουθήσει το όχημα για να κατευθυνθεί στον στόχο αυτό, χωρίς να συγκρούεται με εμπόδια του περιβάλλοντα χώρου.
Στη μελέτη υπάρχουν 2 γνωστά στοιχεία: (1) το OGM του χώρου, (2) το configuration των αισθητήρων (fov, range, direction). Πρέπει η μελέτη να γίνει συναρτήσει αυτών για να μπορεί το σύστημα να γενικευθεί.
Ο αλγόριθμος Brushfire ή Wavefront είναι μια μέθοδος υπολογισμού αποστάσεων μεταξύ σημείων σε έναν διακριτοποιημένο χώρο σε μορφή γράφου, όπως ένα OGM. Ο αλγόριθμος εκκινεί από ένα σύνολο σημείων του χώρου και βρίσκει τα αμέσως γειτονικά τους σημεία επαναληπτικά. Έτσι υπολογίζει την κοντινότερη απόσταση κάθε σημείου του ελεύθερου χώρου από το αρχικό υποσύνολο σημείων κρατώντας το πλήθος των επαναλήψεων που χρειάστηκαν για να φτάσει έως εκεί.
GVD: Μέθοδος διαχωρισμού ενός χώρου σε επιμέρους περιοχές. Ο διαχωρισμός αυτός πραγματοποιείται με βάση τις αποστάσεις κάθε σημείου του (ελεύθερου) χώρου από ένα υποσύνολο σημείων (εμπόδια).
Συμπεράσματα: (+) πολύ καλή ακρίβεια εντοπισμού πορτών συνολικά. (-) συχνά εντοπίζει πόρτες εκεί που δεν υπάρχουν, όπως στη μέση διαδρόμων (πράγμα που όμως δεν μας επηρεάζει ουσιαστικά στη μελέτη) και στη μέση δωματίων (εξαιτίας της αναπαράστασης μεγάλου μέρους του dataset με εμπόδια αντί για άγνωστες περιοχές.
O HC είναι μια τεχνική βελτιστοποίησης που ανήκει στην κατηγορία της τοπικής αναζήτησης της αριθμητικής ανάλυσης. Είναι ένας επαναληπτικός αλγόριθμος που ξεκινάει με μία αυθαίρετη λύση στο πρόβλημα αλλάζοντας στοιχειωδώς την λύση αναζητά για μια βελτίωση στο αποτέλεσμα. (+) γρήγορο (-) τοπικά μέγιστα.
RRHC: πολλές διαφορετικές αρχικές λύσεις
Anneal: στοχαστικότητα στην αποδοχή κάθε στοιχειώδους αλλαγής
Συμπεράσματα: (+) ίδιος χρόνος εκτέλεσης (αμελητέος), (+) RRHC βελτιώνει σημαντικά στις μισές περιπτώσεις, στις άλλες μισές έχει ίδιο αποτέλεσμα με ΝΝ, (-) ο anneal μόλις σε 12 απλές περιπτώσεις έχει ίδιο αποτέλεσμα με ΝΝ, στις υπόλοιπες έχει σημαντικά χειρότερο.
Μεγαλύτερες βελτιώσεις 26.1, 15.9 , 14.7.
Χρήσιμα σημεία είναι τα σημεία μπροστά σε τοίχους, εκεί θα έχει προϊόντα, άρα στα εμπόδια του OGM.
Configuration αισθητήρων θεωρείται γνωστό αλλά δεν είναι προφανώς συγκεκριμένο!
Δύο στρατηγικές, wall follow και zig zag.
Στόχος να καλυφθούν τα εμπόδια πολλές φορές και με διαφορετική φάση (γωνία κάλυψης).
Πολλά βήματα στην δειγματοληψία που εξαρτώνται από το range των αισθητήρων, βρίσκει σημεία που είναι χρήσιμα(!) ανεξαρτήτως τοπολογίας
RRHC σε κάθε δωμάτιο για την βελτίωση του συνολικού μήκους
Συναρτήσει δύο παραγόντων, μεγιστοποίησης της επιφάνειας κάλυψης εμποδίων και ελαχιστοποίησης της περιστροφικής κίνησης προς το επόμενο σημείο (δέχεται πολλούς προσανατολισμούς)
Μετρική γωνίας = |left - right| / (left + right).
Στόχος: λίγα poses / μικρό μήκος -> μικρός χρόνος, μεγάλο ποσοστό κάλυψης, με ιδανικά μεγάλο μ.ο. Σαρώσεων και μικρή μετρική γωνίας
1) μειώνεται ο χρόνος πλοήγησης, γιατί απαιτούνται λιγότεροι στόχοι, αυξάνεται ο μ.ο. σαρώσεων ανά σημείο αφού καλύπτει συνεχώς μεγαλύτερη επιφάνεια και με πιο ομοιόμορφες γωνίες (μειώνεται η μετρική γωνιών)
2) μικρό βήμα + μεγάλη ακτίνα -> μεγάλος χρόνος χωρίς λόγο, μεγάλο βήμα + μικρή ακτίνα -> χαμηλό ποσοστό κάλυψης
Wall follow όταν η κάλυψη πρέπει να γίνει άμεσα και γρήγορα να επιλέγεται η wall follow
Zig zag όταν πρέπει να καλυφθεί ο χώρος όσο πιο αποτελεσματικά γίνεται, να επιλέγεται η zig zag
Συμπέρασμα: Το σύστημα κάλυψης των εμποδίων είναι εύρωστο και για τις δύο στρατηγικές που αναπτύχθηκαν, καθώς τα εμπόδια σαρώνονται αρκετές φορές και με διαφορετικές γωνίες, κάτι που οδηγεί σε πολύ μεγάλη πιθανότητα σωστής απογραφής των προϊόντων.