1. Εντοπισμός θέσης drone σε γνωστό 3D χάρτη
με χρήση αισθητήρων απόστασης
& πλήρης κάλυψη του χώρου
Επιβλέποντες
Αναπληρωτής Καθηγητής Συμεωνίδης Ανδρέας
Μεταδιδακτορικός ερευνητής Δρ. Τσαρδούλιας
Εμμανουήλ
Αριστοτέλειο Πανεπιστήμιο Θεσσαλονίκης
Πολυτεχνική Σχολή
Τμήμα Ηλεκτρολόγων Μηχανικών & Μηχανικών Υπολογιστών
Εργαστήριο Πληροφορίας & Υπολογισμών
Θεσσαλονίκη, Ιούλιος 2019
Εκπόνηση
Κοσμάς Τσιάκας
ΑΕΜ: 8255
1
2. Εντοπισμός θέσης drone σε γνωστό 3D χάρτη με χρήση αισθητήρων απόστασης
& πλήρης κάλυψη του χώρουΙούλιος 2019
Δομή παρουσίασης
❏ Εισαγωγή
❏ Σκοπός της διπλωματικής εργασίας
❏ Γνώσεις που αποκτήθηκαν
❏ Μεθοδολογία
❏ Αποτελέσματα
❏ Συμπεράσματα
❏ Μελλοντική εργασία
2
3. Εντοπισμός θέσης drone σε γνωστό 3D χάρτη με χρήση αισθητήρων απόστασης
& πλήρης κάλυψη του χώρουΙούλιος 2019
Εισαγωγή
1941 2019
3
4. Εντοπισμός θέσης drone σε γνωστό 3D χάρτη με χρήση αισθητήρων απόστασης
& πλήρης κάλυψη του χώρουΙούλιος 2019
Σκοπός της διπλωματικής εργασίας
Αυτόνομη & συνεχής απογραφή
προϊόντων μέσω τεχνολογίας RFID
Εύρεση θέσης του drone Εντοπισμός θέσης
ετικετών των προιοντων
Πλήρης τρισδιάστατη
κάλυψη του χώρου
4
5. Εντοπισμός θέσης drone σε γνωστό 3D χάρτη με χρήση αισθητήρων απόστασης
& πλήρης κάλυψη του χώρουΙούλιος 2019
Γνώσεις που αποκτήθηκαν
The Open Motion
Planning Library
(OMPL)
5
7. Εντοπισμός θέσης drone σε γνωστό 3D χάρτη με χρήση αισθητήρων απόστασης
& πλήρης κάλυψη του χώρουΙούλιος 2019
Μεθοδολογία
Περιγραφή του UAV
Το UAV διαθέτει τους παρακάτω αισθητήρες:
➔ 8 ακτίνες laser περιμετρικά του drone με εμβέλεια 14 μέτρα
➔ Laser για τον υπολογισμό του ύψους
➔ Inertial Measurement Unit
➔ Αναγνώστης & κεραία RFID
7
8. Εντοπισμός θέσης drone σε γνωστό 3D χάρτη με χρήση αισθητήρων απόστασης
& πλήρης κάλυψη του χώρουΙούλιος 2019
Μεθοδολογία
Εντοπισμός θέσης
8
9. Εντοπισμός θέσης drone σε γνωστό 3D χάρτη με χρήση αισθητήρων απόστασης
& πλήρης κάλυψη του χώρουΙούλιος 2019
Μεθοδολογία
Πλοήγηση
4. Έλεγχος προσανατολισμού
PD ελεγκτής προσανατολισμού (yaw)
3. Έλεγχος θέσης
PD ελεγκτής θέσης (x, y, z)
2. Δημιουργία μονοπατιού
➔ Χρήση OMPL
➔ Αποφυγή εμποδίων
➔ Ομαλή πορεία
Navigation
process
1. Λήψη επόμενου στόχου
Είσοδος από ROS topic
9
10. Εντοπισμός θέσης drone σε γνωστό 3D χάρτη με χρήση αισθητήρων απόστασης
& πλήρης κάλυψη του χώρουΙούλιος 2019
Μεθοδολογία
Πλοήγηση
10
11. Εντοπισμός θέσης drone σε γνωστό 3D χάρτη με χρήση αισθητήρων απόστασης
& πλήρης κάλυψη του χώρουΙούλιος 2019
Μεθοδολογία
Πλήρης κάλυψη
1ο στάδιο: Επιλογή σημείων στο χώρο
Υποδειγματοληψία
του χώρου
Έλεγχος κάθε θέσης
Υπολογισμός
καλύτερης οπτικής
γωνίας
➔Σταθερό βήμα ως
προς x και y
➔Μεταβλητό βήμα
ως προς z
➔Θέση σε
κατειλημμένο
κόμβο
➔Ύπαρξη κοντινών
εμποδίων
➔Άμεση ορατότητα
κάθε σημείου
➔Υπολογισμός
κάθετων
διανυσμάτων
➔Υπολογισμός
μετρικής κάλυψης
11
12. Εντοπισμός θέσης drone σε γνωστό 3D χάρτη με χρήση αισθητήρων απόστασης
& πλήρης κάλυψη του χώρουΙούλιος 2019
Μεθοδολογία
Πλήρης κάλυψη
2ο στάδιο: Μείωση της απόστασης του συνολικού μονοπατιού
12
Δημιουργία γράφου
Προβολή σημείων
σε 2 διαστάσεις
Επίλυση TSP με
Nearest Neighbor & Hill
Climbing Search
Αναδιάταξη σημείων σε
3 διαστάσεις
Αφαίρεση ενδιάμεσων
σημείων
Τελικό μονοπάτι
13. Εντοπισμός θέσης drone σε γνωστό 3D χάρτη με χρήση αισθητήρων απόστασης
& πλήρης κάλυψη του χώρουΙούλιος 2019 13
Οριζόντια
Μεθοδολογία
Πλήρης κάλυψη Αναδιάταξη σημείων
σε 3 διαστάσεις
Κάθετη
14. Εντοπισμός θέσης drone σε γνωστό 3D χάρτη με χρήση αισθητήρων απόστασης
& πλήρης κάλυψη του χώρουΙούλιος 2019
Μεθοδολογία
Πλήρης κάλυψη
2ο στάδιο: Μείωση της απόστασης του συνολικού μονοπατιού
14
Δημιουργία γράφου
Προβολή σημείων
σε 2 διαστάσεις
Επίλυση TSP με
Nearest Neighbor & Hill
Climbing Search
Αναδιάταξη σημείων σε
3 διαστάσεις
Αφαίρεση ενδιάμεσων
σημείων
Τελικό μονοπάτι
16. Εντοπισμός θέσης drone σε γνωστό 3D χάρτη με χρήση αισθητήρων απόστασης
& πλήρης κάλυψη του χώρουΙούλιος 2019
Αποτελέσματα
Εντοπισμός θέσης - Κίνηση σε ευθεία
16
17. Εντοπισμός θέσης drone σε γνωστό 3D χάρτη με χρήση αισθητήρων απόστασης
& πλήρης κάλυψη του χώρουΙούλιος 2019
Αποτελέσματα
Εντοπισμός θέσης - Κίνηση σε ευθεία
17
18. Εντοπισμός θέσης drone σε γνωστό 3D χάρτη με χρήση αισθητήρων απόστασης
& πλήρης κάλυψη του χώρουΙούλιος 2019
Αποτελέσματα
Εντοπισμός θέσης - Κίνηση σε σπιράλ
18
19. Εντοπισμός θέσης drone σε γνωστό 3D χάρτη με χρήση αισθητήρων απόστασης
& πλήρης κάλυψη του χώρουΙούλιος 2019
Αποτελέσματα
Εντοπισμός θέσης - Κίνηση σε σπιράλ
19
20. Εντοπισμός θέσης drone σε γνωστό 3D χάρτη με χρήση αισθητήρων απόστασης
& πλήρης κάλυψη του χώρουΙούλιος 2019
Αποτελέσματα
Εντοπισμός θέσης - Κίνηση σε μαίανδρο
20
21. Εντοπισμός θέσης drone σε γνωστό 3D χάρτη με χρήση αισθητήρων απόστασης
& πλήρης κάλυψη του χώρουΙούλιος 2019
Αποτελέσματα
Εντοπισμός θέσης - Κίνηση σε μαίανδρο
21
22. Εντοπισμός θέσης drone σε γνωστό 3D χάρτη με χρήση αισθητήρων απόστασης
& πλήρης κάλυψη του χώρουΙούλιος 2019
Αποτελέσματα
Πλήρης κάλυψη
22
23. Εντοπισμός θέσης drone σε γνωστό 3D χάρτη με χρήση αισθητήρων απόστασης
& πλήρης κάλυψη του χώρουΙούλιος 2019
Αποτελέσματα
Πλήρης κάλυψη - Διάδρομος
23
24. Εντοπισμός θέσης drone σε γνωστό 3D χάρτη με χρήση αισθητήρων απόστασης
& πλήρης κάλυψη του χώρουΙούλιος 2019
Αποτελέσματα
Πλήρης κάλυψη - Αποθήκη
24
26. Εντοπισμός θέσης drone σε γνωστό 3D χάρτη με χρήση αισθητήρων απόστασης
& πλήρης κάλυψη του χώρουΙούλιος 2019
Συμπεράσματα
Εντοπισμός θέσης
➔ Το σύστημα εντοπισμού θέσης εξαρτάται από:
• τον τρόπο κίνησης
• την ταχύτητα
• την πορεία του
➔ Η χαμηλή ταχύτητα οδηγεί σε χαμηλότερο σφάλμα
➔ Όταν διατηρείται σταθερός ο προσανατολισμός, επιτρέπονται υψηλότερες
ταχύτητες, καθώς οδηγούν σε χαμηλό σφάλμα
26
27. Εντοπισμός θέσης drone σε γνωστό 3D χάρτη με χρήση αισθητήρων απόστασης
& πλήρης κάλυψη του χώρουΙούλιος 2019
Συμπεράσματα
Πλήρης κάλυψη χώρου
➔ Για την κάλυψη χώρου προτιμάται ευρύ οπτικό πεδίο
➔ Η κάθετη ένωση σημείων οδηγεί σε μικρότερο χρόνο κάλυψης
➔ Η οριζόντια ένωση σημείων οδηγεί σε υψηλότερο ποσοστό κάλυψης
27
28. Εντοπισμός θέσης drone σε γνωστό 3D χάρτη με χρήση αισθητήρων απόστασης
& πλήρης κάλυψη του χώρουΙούλιος 2019
Μελλοντική εργασία
➔ Υλοποίηση του Adaptive MCL
➔ Χρήση οπτικής οδομετρίας σε πραγματικό drone
➔ Υλοποίηση δυναμικής μεθόδου κάλυψης χώρου, με βάση τις περιοχές που
έχουν ήδη καλυφθεί και τους υπάρχονες περιορισμούς
➔ Κάλυψη χώρου από πολλαπλά drone
➔ Μελέτη ενεργειακών αναγκών του drone
28
29. Εντοπισμός θέσης drone σε γνωστό 3D χάρτη με χρήση αισθητήρων απόστασης
& πλήρης κάλυψη του χώρουΙούλιος 2019
Ευχαριστίες
Ευχαριστώ θερμά τους:
● κ. Συμεωνίδη Ανδρέα
● κ. Τσαρδούλια Εμμανουήλ
29
Αρχικά, θα γίνει μια εισαγωγή στην χρηση των drone και στον σκοπο της εργασίας, στη συνεχεια θα γινει μια αναφορά στα εργαλεία που χρησιμοποιήθηκαν και πιο αναλυτικα θα δούμε τις υλοποιήσεις, τα αποτελέσματα και τα συμπεράσματα που προέκυψαν από αυτήν.
Αρχικά, τα drones είναι ένα κομμάτι της ρομποτικής το οποίο εμφανίζει πολύ μεγάλη ανάπτυξη τα τελευταία χρόνια. Ενώ στην αρχή χρησιμοποιούνταν κατά κύριο λόγο για πολεμικούς σκοπούς, όπως για παράδειγμα στον 2ο ΠΠ που φαίνεται στην εικόνα, όπου το μη επανδρωμένο όχημα δεν θυμίζει καθόλου τα σημερινά. Η χρήση τους εκείνη την εποχή δημιουργεί ακόμα αρκετές ηθικές και νομικές προκλήσεις στην σύγχρονη εποχή. Σήμερα, έχουμε δει πληθώρα εφαρμογών με drone τα οποία χρησιμοποιούνται για πυρόσβεση, για διανομή δεμάτων, όπως κάνει για παράδειγμα η Amazon, για την εξερεύνηση δισπρόσιτων περιοχών, όπως ορυχεία, γενικότερα στον κλάδο των Logistics και πολλές ακόμα.
Η παρούσα διπλωματική εργασία ασχολείται με τον κλάδο των Logistics και πιο συγκεκριμένα με την αυτόνομη και συνεχή απογραφή των προϊόντων σε μεγάλες βιομηχανικές αποθήκες. Σκοπός ουσιαστικά είναι ο προσδιορισμός της θέσης από κάθε προιον μεσα στο χώρο, σε έναν γνωστό 3D χάρτη, με ακρίβεια μερικών εκατοστών. Το πρόβλημα αυτό αποτελείται από 3 επιμέρους υπο-προβλήματα:
Τον real-time εντοπισμό της θέσης του drone στον γνωστό χώρο
Τον εντοπισμό της θέσης των ετικετών των προιόντων
Και τέλος με την πλήρη τρισδιάσταση κάλυψη του χώρου.
Κατά την υλοποίηση της εργασίας, το μεσο-λειτουργικό σύστημα ROS αποτέλεσε τη βάση του συστήματος. Επίσης, χρησιμοποιήθηκε ένα σύνολο ROS πακέτων της ομαδας Hector, που προσομοιώνουν την χρήση ενός Quadcopter στο Gazebo, όπου και εκεί πραγματοποιήθηκαν όλα τα πειράματα. Για την αναπάρασταση του τρισδιάστατου χάρτη χρησιμοποιήθηκε η βιβλιοθήκη OctoMap, ενώ για το path planning μέσα στον χάρτη αυτό, η βιβλιοθήκη OMPL.
Ας δούμε πιο αναλυτικά τις υλοποιήσεις που πραγματοποιήθηκαν.
Αρχικά, το drone που χρησιμοποιήθηκε διαθέτει έναν αισθητήρα με 8 ακτίνες laser περιμετρικά του drone, μία ανά 45 μοίρες. Επίσης, διαθέτει έναν αισθητήρα laser για την μέτρηση του υψομέτρου που βρίσκεται και ένα IMU που μας δίνει τις τιμές του roll, pitch και yaw του drone. Τέλος, διαθέτει έναν αναγνώστη RFID με τον οποιο επιτελειται η πληρη καλυψη του χωρου.
Χρηση drone σε εσωτερικο χωρο, αδυναμια χρησης GPS
MCL, Χρήση Φίλτρου Σωματιδίων (Particle Filter), Συνολο Καταστασεων. Αριθμος σωματιδιων οριζεται απο τον χρηστη
Αρχικοποιηση με κανονική κατανομη
Κατάσταση -> (x, y, z, roll, pitch, yaw)
Μοντέλο κίνησης -> Δημιουργία οδομετρίας, συνδυασμος IMU, velocity και υψος και ολοκληρωση στο χρονο. Συγχρονισμός μηνυματων
Μοντέλο αξιολόγησης -> Ακτίνες laser
Εξαγωγη βελτιστης εκτιμησης
Αναδειγματοληψία οταν Neff < τοταλ/2 . η διακύμανση των βαρών των σωματιδίων είναι μικρότερη από το μισό του αριθμού των συνολικών σωματιδίων
Η πλοήγηση του drone στο χώρο είναι μια ατέρμονη διαδικασία που απολείται από 4 βασικά βήματα. Αρχικά, λαμβάνεται ο επόμενος στόχος είτε ως είσοδος από το χρήση, είτε ως έξοδο από κάποιον αλγόριθμο, όπως αυτό της πλήρους κάλυψης του χώρου. Στη συνέχεια, με χρήση της βιβλιοθήκης OMPL δημιουργείται ένα ομαλό μονοπάτι, που εξασφαλίζει την αποφυγή εμποδίων και δημιουργεί ουσιαστικά κάποια σημεία-στόχους τα οποία οδηγούν στο τελικό στόχο.
Στη συνέχεια, χρησιμοποιήθηκε 3 PD ελεγκτές για τον έλεγχο της θέσης, ένας για x, ένας για y και ένας για το z. Εφόσον το drone βρίσκεται σε μια ανεκτή απόσταση από τον στόχο, χρησιμοποιείται ένας ακόμη PD ελεγκτής ο οποίος ρυθμίζει τον προσανατολισμό. Η διαδικασία αυτή χωρίζεται σε δύο φάσεις για να εξασφαλιστεί η πιο ομαλή κίνηση του ρομπότ.
Και αφου το drone φτάσει στην επιθυμητή θέση με τον επιθυμητό προσανατολισμό, η διαδικασία επαναλαμβάνεται από την αρχή.
Εδώ φαίνεται ένα παράδειγμα της πλοήγησης στο χώρο, όπου το drone για να φτάσει από ένα σημείο στο απέναντι, πραγματοποιεί αυτήν την κίνηση γύρω από το εμπόδιο.
Η πλήρη κάλυψη σημαίνει ότι κάθε σημείο του χώρου πρέπει να βρεθεί εντός του οπτικού πεδίου ενός αισθητήρα που διαθέτει το drone, στη συγκεκριμένη περίπτωση ένα RFID αναγνώστη που χαρακτηρίζεται από το έυρος του και το οπτικό του πεδίο.
Όσον αφορά την πλήρη τρισδιάσταση κάλυψη του χώρου από το drone, αρχικά επιλέγονται τα σημεία του χώρου στα οποία πρέπει να βρεθέι το drone, ώστε να επιτύχει την πλήρη κάλυψη. Αυτό πραγματοποιείται σε τρία βήματα:
1: το βημα ως προς z επιλέγεται ανάλογα με το εύρος του αισθητήρα, ώστε κάθε σημείο να βρεθεί τουλάχιστον δύο φορές εντος του οπτικού πεδίου.
2: μια σειρα ελεγχων τοσο στον 2δ οσο και στον 3δ χαρτη
3: για καθε μια θεση, η οποια θεωρειται ασφαλης, υπολογιζεται το καθετο διανυσμα από την θεση αυτη προς τις επιφανειες που βρισκονται περιμετρικα της. Για καθε γωνια, υπολογιζεται το γινομενο του διανυσματος της κατευθυνσης με το καθετο διανυσμα της επιφανειας, και το αποτελεσμα ειναι η μετρικη καλυψης.
Απο το προηγουμενο σταδιο, εχει προκυψει ενα μονοπατι στο οποιο τα σημεια ειναι σε τυχαιες θεσεις. Πρεπει συνεπως να αναδιαταξουμε τα σημεια με τετοιο τροπο, ώστε να μειωθεί η συνολική απόσταση που θα χρειαστει να διανυσει το drone για να επιτυχει την πληρη καλυψη. Προκειται δηλαδη για ενα προβλημα Περιοδευοντος Εμπορου με πολυ μεγαλο πληθος σημειων, κατι που δυσκολευει παρα πολυ την επιλυση του σε συντομο χρονικο διάστημα. Για τον λογο αυτό, αρχικα μειωνουμε το πληθος των σημειων. Αυτό γινεται με την προβολή ολων των σημειων στις 2 διαστασεις, δηλαδη ενω στην αρχη ειχαμε (x, y, z, theta) πλεον εχουμε μονο x,y. Ετσι, μειωνεται σημαντικα το πληθος των σημειων και διευκολυνεται η διαδικασια επιλυσης του προβληματος. Δημιουργειται λοιπον ενας γραφος και με τον συνδυασμο του Nearest Neighbor με Hill climbing επιχειρειται η ελαχιστοποιηση του συνολικου κοστους. -- Επεξηγηση λιγο του αλγοριθμου εδω. Στη συνεχεια, αφου εχει βρεθει ενα συντομο σχετικα μονοπατι σε δυο διαστασεις, θα πρεπει να επαναφερουμε την λυση στις 3 διαστασεις.
Αυτό γινεται με δυο τροπους, οπως φαινεται και στην εικονα, οριζοντια και καθετα, όπου σε καθε περιπτωση ξεκιναμε απο το Start και καταληγουμε στο Goal με διαφορετικο τροπο. Ο καθε τροπος εχει καποια πλεονεκτηματα και μειονεκτηματα οπως θα φανει στα πειραματα.
Τελος, αφου εχουμε πλεον ολα τα σημεια στις 3 διαστασεις, πραγματοποιειται μια ακομη δειγματοληψια, ωστε να αφαιρεθουν ολα τα σημεια τα οποια θα διανυσει το drone ακομη και χωρις να το ορισουμε, καθως θα διανυσει τα γειτονικά του. Με τον τροπο αυτό προκυπτει το τελικο μονοπατι που οδηγει σε πληρη καλυψη του χώρου.
Όσον αφορά τα αποτελέσματα του συστήματος εντοπισμού θέσης, πραγματοποιήθηκαν πειράματα σε τρεις διαφορετικές κινησεις, σε ευθεια σε σπιραλ και σε μαιανδρο, και για καθε μια περιπτωση σε χωρο κενο και σε χωρο με εμποδια.
Όπως φαινεται για την κινηση σε ευθεια, η κινηση με χαμηλη ταχυτητα οδηγει σε ολες τις περιπτωσεις σε χαμηλοτερο μεσο τετραγωνικό σφαλμα και ειναι περιπου στα 15 εκατοστα. Το σφαλμα αυτό ειναι η μεση τιμη απο πεντε πειραματα για καθε περιπτωση.
Για μεγαλυτερες ταχυτητες, φαινεται οτι σε χωρο με εμποδια, το σφαλμα ειναι μικροτερο.
Στη συνεχεια, η κινηση σε σπιραλ φαινεται στις δυο εικονες.
Στην κινηση αυτη μεταβαλλονται οι συντεταγμενες x, y και z ταυτοχρονα, ενω ο προσανατολισμος παραμενει ιδιος με τον αρχικο. Εδω η κανονικη ταχυτητα οδηγει στο χαμηλοτερο μέσο τετραγωνικο σφαλμα.
Τελος, μια πιο ρεαλιστικη περιπτωση ειναι αυτη της κινησης σε μαιανδρο. Εδω μεταβαλλονται τοσο η θεση οσο και ο προσανατολισμος του drone, κατα την κινηση απο σημειο σε σημειο.
Εδω φαινεται ξεκαθαρα το ποσο σημαντικη ειναι η κινηση με χαμηλη ταχυτητα, ώστε να επιτευχθει χαμηλο σφαλμα στην κινηση του drone. Οταν κινειται με υψηλη ταχυτητα αυτό ξεπερναει και τα 30εκατοστα, κατι που πιθανον θα προκαλεσει πολλα προβληματα στην πλοηγηση του drone.
Οσον αφορα την πληρη καλυψη του χωρου, πραγματοποιηθηκαν πειραματα σε δυο διαφορετικα περιβαλλοντα, εναν κενο διαδρομο και μια αποθηκη με αρκετα εμποδια μεσα σε αυτην. Εξεταστηκαν επισης δυο τυποι αισθητηρων, ενας με ευρυ και ενας με στενο οπτικο πεδιο, και συγκριθηκαν οι οριζοντια και η καθετη ενωση σημειων, οπως αυτες εξηγηθηκαν προηγουμενως.
Κατα τα πειραματα στο περιβαλλον του διαδρομου, παρατηρούμε όπως ήταν αναμενομενο οτι η χρηση ενος αισθητηρα με ευρω οπτικο πεδιο θα οδηγεί σε πιο γρηγορη αυξηση του ποσοστου καλυψης. Επισης , βλεπουμε οτι η οριζοντια ενωση των σημειων οδηγει τελικα σε υψηλοτερο ποσοστο καλυψης από την καθετη. Ο συνδυασμος του στενου αισθητηρα με οριζοντια ενωση των σημειων οδηγει στην πιο “αργη” καλυψη του χωρου.
Παρομοια συμπεριφορα παρατηρειται και στην περιπτωση της αποθηκης.εδω βεβαια βλεπουμε οτι το τελικο ποσοστο καλυψης φαινεται να ειναι χαμηλο. Αυτό συμβαινει λογω της αναπαραστασης του χαρτη στην 3δ μορφη, ο οποιος χαρτης δημιουργειται με τη χρηση ενος πακετου SLAM. Η χαρτογραφηση λοιπον περιεχει σφαλμα και δημιουργει σημεια τα οποια δεν ειναι δυνατο να βρεθουν ποτε στο οπτικο πεδιο του αισθητηρα. Αποκλειστηκε ενα πληθος σημειων τα οποια αποτελουσαν τους τοιχους του χωρου, όμως υπαρχουν πληθος αυτων που δεν ειναι δυνατον να εντοπιστουν και συνεπως να αφαιρεθουν απο τον υπολογισμο του ογκου.
Τα συμπερασματα που προεκυψαν λοιπον απο τα πειραματα που πραγματοποιηθηκαν ειναι, αρχικα για το συστημα εντοπισμου θεσης, οτι η αποτελεσματικοτητα του εξαρταται από τον τρόπο κινησης, δηλαδη την ταχυτητα του drone και την πορεια που ακολουθει.
Γενικοτερα η χαμηλη ταχυτητα οδηγει σε χαμηλοτερα σφαλμα, όταν ομως ο προσανατολισμος παραμενει σταθερος, επιτρεπεται και η κινηση σε υψηλοτερη ταχυτητα.
Όσον αφορα την πληρη καλυψη του χωρου, προτιμαται η χρηση ενος αισθητηρα με ευρυ οπτικο πεδιο. Επισης, οταν επιδιωκουμε την πιο συντομη καλυψη του χωρου, η καθετη ενωση των σημειων οδηγει σε αυτο, ενω οριζοντια οδηγει σε υψηλοτερο ποσοστο καλυψης.
Υπαρχουν πολλες ακομη επεκτασεις που θα μπορουσαν να πραγματοποιηθουν στην παρουσα εργασια, εκτος των πλαισιων της διπλωματικης εργασιας, όπως για παραδειγμα η υλοποιηση του Adaptive αλγοριθμου εντοπισμου θεσης, η υλοποιηση δυναμικης μεθοδου πλοηγησης με σκοπο την πληρη καλυψη που θα επηρεαζεται από τις περιοχες που δεν εχουν βρεθει ακομη στο οπτικο πεδιο του αισθητηρα και αλλες.
Υπαρχει και ενα βιντεο ντεμο που δειχνει την συνολικη υλοποιηση σε περιβαλλον προσομοιωσης.