Усовершенствованная 3D-локализация LiDAR повышает точность позиционирования робота

Университет Мигеля Эрнандеса де Эльче, Испания

Именно так робот «видит» свое окружение с помощью системы, разработанной в UMH. Представление облака точек 3D LiDAR позволяет извлекать глобальные и локальные структурные особенности для оценки позы робота — его точного положения и ориентации в пространстве. (Изображение:Университет Мигеля Эрнандеса де Эльче)

Мобильные роботы должны постоянно оценивать свое положение для автономной навигации. Однако спутниковые навигационные системы не всегда надежны:сигнал может ухудшаться вблизи зданий или становиться недоступным в закрытых помещениях. Чтобы работать безопасно и эффективно, роботы должны интерпретировать окружающую обстановку с помощью встроенных датчиков и надежных алгоритмов локализации.

Исследователи из Университета Мигеля Эрнандеса в Эльче (UMH) в Испании разработали иерархическую систему локализации, которая значительно улучшает позиционирование роботов в больших, меняющихся условиях. Этот метод решает одну из самых сложных проблем мобильной робототехники:так называемую проблему «похищенного робота», при которой робот теряет знание о своей первоначальной позе после перемещения, отключения питания или смещения.

Исследование опубликовано в Международном журнале интеллектуальных систем. , представляет MCL-DLF (локализация Монте-Карло – глубокая локальная функция), структуру 3D-локализации LiDAR от грубого до точного, предназначенную для долгосрочной навигации в больших средах. Система была проверена в течение нескольких месяцев в кампусе UMH в Эльче в различных условиях окружающей среды, включая сценарии как внутри, так и снаружи помещений.

Предлагаемый подход имитирует то, как люди ориентируются в незнакомой или меняющейся среде. Сначала робот выполняет этап грубой локализации, определяя приблизительную область на основе глобальных структурных особенностей, извлеченных из облаков точек 3D LiDAR, таких как здания или растительность.

Как только эта область сужается, система выполняет точную локализацию, анализируя подробные местные особенности, чтобы оценить точное положение и ориентацию робота.

«Это похоже на то, как люди сначала узнают общую местность, а затем полагаются на мелкие отличительные детали, чтобы определить свое точное местоположение», — объясняет исследователь UMH Мириам Максимо, ведущий автор исследования. Работой руководили Моника Бальеста и Дэвид Валиенте, также исследователи из Инженерно-исследовательского института Эльче (I3E) UMH. Чтобы избежать неоднозначности в визуально похожих средах, метод объединяет методы глубокого обучения, которые автоматически извлекают отличительные локальные особенности из трехмерных облаков точек.

Вместо того, чтобы полагаться на заранее определенные правила, робот узнает, какие характеристики окружающей среды наиболее информативны для локализации. Эти изученные функции сочетаются с вероятностной локализацией Монте-Карло, которая поддерживает несколько гипотез позы и обновляет их по мере получения новых данных датчиков.

Основной проблемой в долгосрочной навигации роботов является изменчивость окружающей среды. Открытые пространства со временем меняются из-за сезонных сдвигов, роста растительности или различий в освещении, что может существенно изменить внешний вид.

Исследователи сообщают, что MCL-DLF обеспечивает более высокую точность определения местоположения, чем традиционные подходы, сохраняя при этом сопоставимые или превосходящие оценки ориентации на определенных траекториях. Важно отметить, что система демонстрирует меньшую изменчивость во времени, что подтверждает ее устойчивость к сезонным и структурным изменениям.

Надежная локализация имеет основополагающее значение для сервисной робототехники, автоматизации логистики, проверки инфраструктуры, экологического мониторинга и автономных транспортных средств. Во всех этих областях безопасная работа зависит от стабильной и точной оценки положения в реальных динамических условиях.

Хотя полностью автономная навигация остается центральной проблемой в робототехнике, эта работа приближает роботов к надежной работе в больших, меняющихся средах без внешней инфраструктуры позиционирования.

Для получения дополнительной информации свяжитесь с Анхелесом Галларом по адресу:Этот адрес электронной почты защищен от спам-ботов. Для просмотра у вас должен быть включен JavaScript.; +34 965-222-569.