Transcript Landmarkenbasierte Kartierung und Lokalisierung

Landmarkenbasierte
Kartierung und
Lokalisierung
24. Mai 2012
Aufgabenstellung unterteilt in zwei Teilaufgaben:
1. Kartierung:
„Generierung einer Karte aus Landmarken anhand
von signifikanten Scandaten“
(Andreas Wunderlich, Lars Neubert)
2. Lokalisierung:
„Lokalisierung basierend auf Wiedererkennung von
Landmarken durch Partikel-Filter“
(André Dämmrich, Romy Ebert)
2
1. Kartierung:
allgemein:
•
•
•
raumbasierte Erfassung von Daten im Gelände
Erstellung einer landmarkenbasierten Karte aus
Sensordaten (engl. "mapping")
spätere Nutzung für verschiedene Zwecke z.B.
Lokalisierung
3
1. Kartierung:
Robotik:
•
Aufbau von Umgebungsmodellen aus
Sensordaten


verschiedene Sensorarten: Laser, Ultraschall,
Infrarot, Tiefenkamera, ...
wir nutzen für Kartierung 2D-LRF-Scans (Laser
Range Finder)
Ziel:
•
•
•
Erstellung einer Karte aus Sensordaten
dient als Grundlage für Lokalisierung und im
engeren Sinne für die Kollisionsvermeidung
kann zur Pfadplanung genutzt werden
4
1. Kartierung:
Ziel Projektseminar:
•

Erstellung einer Karte aus Sensordaten mit Hilfe der
"Fast-Laser-Interest-Region-Transform" (FLIRT)
Bibliothek
d.h. Verarbeitung der LRF-Scandaten, sodass eine
Konvertierung der Daten vom Sensor- in das
Roboterkoordinatensystem stattfindet
Aufgaben:
•
•
Theorie der vorgegebenen Bibliothek (C++)
verstehen
FLIRT-Lib mittels Java Native Interface (JNIWrapper) an das bestehende Java-Framework
anbinden
5
Curvature Based Detector
Quelle:
FLIRT – Interest Regions for 2D Range Data
Gian Diego Tipaldi and Kai O. Arras
2010 IEEE International Conference on Robotics and Automation
Anchorage Convention District
May 3-8, 2010, Anchorage, Alaska, USA
6
Beta-Grid Descriptor
Linear local shape context descriptor (left) and b-grid descriptor
(center: occupancy probability, right: variance) for an example interest point
in real data
Quelle:
FLIRT – Interest Regions for 2D Range Data
Gian Diego Tipaldi and Kai O. Arras
2010 IEEE International Conference on Robotics and Automation
Anchorage Convention District
May 3-8, 2010, Anchorage, Alaska, USA
7
2. Lokalisierung:
•
•
•
•
•
•
Abschätzen der Position eines autonomen
Roboters in seiner Umgebung
Lokalisierung anhand erstellter Karte & Scandaten
des Roboters
Umgebung durch Landmarken definiert
bei Verwendung der Odometriedaten kommt es
zu Ungenauigkeiten
deshalb muss Position zusätzlich an Hand der
Umgebung bestimmt werden
dazu gibt es verschiedene Methoden



•
Bayes-Filter
Kalman-Filter
Partikel-Filter, …
wir nutzen Partikel-Filter
8
2. Lokalisierung:
Aufgaben:
Theorie des Partikel-Filters verstehen
im vorhandenen Framework implementieren
9
2. Partikel-Filter:
Idee allgemein:
•
•
•
•
•
•
•
ein Zustandsraum besitz viele verschiedene
mögliche Zustände
an jedem von diesem könnte sich der Roboter
befinden
diese können nicht alle in Echtzeit verarbeitet
werden
deshalb wählt man eine bestimmt Anzahl von
Partikel, somit wird Anzahl geringer
Partikel werden zufällig auf der Karte verteilt
herausfinden welcher Partikel dem wahren
Zustand des Roboters am ähnlichsten ist
dazu Partikeldaten mit den aktuellen Scandaten
10
vergleichen
2. Partikel-Filter:

globale Lokalisierung
bel(x)
(x)
p(z|x)
(x)
bel(x)
(x)
bel(x) = Vermutung das sich Roboter in Zustand x befindet
x = Zustand
z = Beobachtung
p = Wahrscheinlichkeit
11
bel(x)
(x)
p(z|x)
(x)
bel(x)
(x)
12
bel(x)
(x)
Quelle:
2006
Probabilistic Robotics, S. Thrun, W. Burgard, D. Fox, The MIT Press,
13