Описание
Грант РНФ № 22-21-00716 https://rscf.ru/project/22-21-00716/
Название: Разработка вычислительно эффективных методов управления четырёхколёсным беспилотным транспортным средством для построения цифровых карт местности
Руководитель проекта: Белинская Юлия Сергеевна
Организация финансирования: Федеральный исследовательский центр «Информатика и управление» Российской академии наук
Годы выполнения при поддержке РНФ: 2022—2023
Аннотация
В настоящее время всё большую роль играют беспилотные средства различного назначения и типа. Они используются для решения задач транспортировки грузов, мониторинга и исследования местности и конструкций, устранения аварий и т. д. Повышение качества работы и создание автономных беспилотных средств невозможно без развития вычислительно эффективных методов управления ими. Такие методы позволят функционировать в режиме реального времени в условиях существенно ограниченных ресурсов бортовых вычислителей, а также сократить время, необходимое для исследования местности робототехнической системой. Исследование местности предполагает автоматическое построение цифровой карты местности в процессе движения робота и требует учёта как неровностей поверхности, так и динамических и статических препятствий.
Настоящий проект направлен на создание вычислительно эффективных методов управления беспилотным четырёхколёсным транспортным средством для построения карт местности внутри помещений на основе данных бортовых RGB-D камер. В ходе выполнения проекта планируется получить следующие научные результаты:
разработать новые алгоритмы построения систем управления с обратной связью на основе программного управления, полученного по методу накрытий, и на основе техники SDRE для класса четырёхколёсных робототехнических систем с независимо управляемыми колесами;
разработать новый алгоритм построения цифровой карты местности в процессе движения робота, учитывающий неровности поверхности и наличие динамических препятствий в области видимости бортовой RGB-D камеры;
осуществить и исследовать экспериментальную программную реализацию предложенных алгоритмов, функционирующую в реальном времени.
Аннотация результатов, полученных в 2022 году
В рамках работы по текущему проекту в этом году были разработаны и исследованы различные методы построения обратной связи для управления мобильными колёсными транспортными средствами при решении задачи построения карты местности, учитывающей неровности поверхности и динамические препятствия окружающей среды.
В частности, одним из перспективных методов управления транспортными средствами является метод накрытий, применяемый для решения задач терминального управления. Он очень эффективен с вычислительной точки зрения, поскольку сводит решение терминальной задачи к решению двух связанных задач Коши. К сожалению, этот метод позволяет строить только программное управление, чего оказывается недостаточно в условиях динамически изменяющейся окружающей среды. Поэтому в рамках работы по этому проекту была предложена модификация этого метода, позволяющая синтезировать обратную связь на основе полученного ранее программного управления. Особенностью данной модификации является сохранение главного достоинства этого метода: вычислительной эффективности, поскольку построение обратной связи по этому методу не требует дополнительных вычислений в том случае, если используемое накрытие позволяет аналитически найти необходимое для решения задачи терминальное управление. В ходе работ по проекту было показано, что такое накрытие гарантированно можно построить для плоских динамических систем. Более того, был предложен второй вариант обратной связи, в случае, если первый приведён к неустойчивой замкнутой системе. Для проверки работоспособности алгоритма были проведены численные эксперименты, в ходе которых было показано, что алгоритм успешно работает даже в случае наличия внешних возмущений, оказываемых на состояние системы в некоторый момент. Результаты выполнения работ были продемонстрированы на конференции MLSD’2022, для которой была выпущена статья, описывающая предложенную модификацию метода накрытий.
Кроме того, для решения задач построения обратной связи может быть применена техника SDRE (State-Dependent Riccati Equation). Применение этой техники для рассматриваемых колёсных систем требует использования комбинированного подхода, состоящего в замене координат исходной системы с помощью линеаризации статической обратной связи и последующего использования техники SDRE. Этот подход требует больших вычислительных ресурсов, поскольку в каждом текущем состоянии требуется решать матричное уравнение Риккати. Такой недостаток затрудняет использование этого метода построения обратной связи на борту мобильного транспортного средства. Для его преодоления в ходе работ по проекту исследовалась возможность применения модификации этого алгоритма с помощью искусственного введения в систему малого параметра и представлению решения в виде разложения по степеням этого параметра. Предварительные численные эксперименты показали, что такой подход привёл к трёхкратному ускорению времени счета при незначительном увеличении ошибки слежения. По результатам проведённой работы готовится публикация.
Применение указанных методов управления на практике требует знания цифровой карты местности, учитывающей неровности поверхности и динамические препятствия на ней. В качестве карты, содержащей информацию о неровностях поверхности, удобно использовать 2.5D карты или карты высот, которые представляют собой двумерные матрицы, в каждой ячейке которой хранится высота соответствующего участка местности. Для построения такой 2.5D карты удобно использовать метод Elevation Mapping, устойчивый к шуму одометрии. Этот метод принимает на вход данные о позиции мобильного робота и облака точек с бортовой RGB-D камеры и строит карту высот, в которой помимо высоты точки местности хранятся данные о дисперсии высоты, после чего значения высот обновляются с помощью фильтра Калмана. В ходе работ по проекту была предложена модификация алгоритма Elevation Mapping, которая учитывает не только положение, но и наклон робота при инициализации карты. Кроме того, если входящее облако содержит несколько точек, проекции которых попадаю в одну ячейку карты, на карту добавляется информация о самой верхней из них, что позволяет лучше картировать вертикальные препятствия. Далее по карте высот можно уже построить карты проходимости, удобные для использования в системах управления.
Для проверки работоспособности предложенного алгоритма были проведены эксперименты в симуляторе Gazebo. В результате применения алгоритма удалось получить чёткую правдоподобную карту местности, даже при большом наклоне мобильного робота. Кроме того, алгоритм был опробован на данных с реальной робототехнической системы. В ходе выполнения таких экспериментов также была построена чёткая карта местности, соответствующая используемому для проведения экспериментов офисному помещению. Также отметим, что этот алгоритм успешно справляется со своевременным нанесением на карту и удалением с нее динамических препятствий. Результаты выполнения этой части работ были представлены на конференции IFAC SYROCO 2022.
Для учёта динамических препятствий используют динамические карты проходимости, которые отличаются от статических тем, что каждая ячейка содержит не только вероятность проходимости, но и скорость движения препятствия в этой клетке. Для построения таких карт в текущем проекте использовался алгоритм DOGM (Dynamic Occupancy Grid Mapping), основанный на фильтрации частиц. В этом алгоритме динамическая карта представляется в виде набора большого количества частиц на плоскости, каждая из которых имеет координаты на плоскости, проекции скорости и вес. Алгоритм принимает на вход статические карты проходимости, на основе которых последовательно обновляет частицы с учётом их скорости и времени, прошедшего с момента обработки предыдущей статической карты. Этот алгоритм тестировался с помощью статических карт проходимости, полученных по лидарным данным, и в симуляторе. Результаты экспериментов продемонстрировали работоспособность алгоритма для детектирования динамических препятствий и определения их скорости. По результатам этой части работ также готовится публикация.
Аннотация результатов, полученных в 2023 году
В ходе работ по проекту был разработан и протестирован подход, позволяющий синтезировать обратную связь на основе программного управления, построенного по методу накрытий. Данный алгоритм может быть применен для решения различных задач управления, например, для решения задачи стабилизации заданного положения равновесия или задачи терминального управления. Получены условия применимости этого метода. Хотя эти условия являются более ограничительными, чем условия применимости метода накрытий самого по себе, показано, что в случае плоской динамической системы эти условия могут быть достигнуты выбором соответствующего накрытия. В результате численных экспериментов на платформе ROS (Robot Operating System) продемонстрирована работоспособность предложенного подхода. При наличии отклонений от желаемой траектории в начале движения динамическая система достигала требуемого состояния к конечному моменту движения. Важной особенностью предложенного метода является его вычислительная эффективность: полученный метод синтеза может быть применен для управления мобильным роботом в реальном времени.
Предложен новый метод построения нелинейной обратной связи в задаче слежения. Метод является модификацией техники State-Dependent Differential Riccati Equation. Его особенностями является использование информации о желаемой траектории при построении обратной связи и нестационарность главной части управления, вызванная учетом конечного интервала времени регулирования. Численные эксперименты показали, что предложенный подход позволяет обеспечить компромисс между качеством управления и скоростью работы. Метод был реализован для робота Husky с помощью ROS. Проведен ряд натурных экспериментов для робота Husky. В ходе испытаний робот следовал вдоль заданной траектории с достаточной точностью.
В ходе работ был собран набор данных, позволяющий тестировать алгоритмы для построения цифровых карт местности. Также был разработан алгоритм, позволяющий строить цифровые карты местности по лидарным данным и локализоваться на них. Особенностью разработанного алгоритма является удаление ложных циклов и удаление дублирующихся узлов при построении. Удаление ложных циклов позволяет более точно строить большие карты. Удаление дублирующихся узлов позволяет уменьшить конечный размер карты, что ускоряет локализацию на карте.
В рамках работ по данному этапу проекту алгоритм построения цифровой карты местности был модифицирован для учета динамических препятствий. Особенностью алгоритма является вычисление направлений и скоростей движения динамических препятствий. Для тестирования алгоритма была разработана экспериментальная программная реализация с использованием системы ROS. Также была создана симуляционная модель среды с наклонными поверхностями и препятствиями и полигон для реального робота с наклонными поверхностями и препятствиями. На симуляционном и реальном полигонах был собран набор данных и проведены численные и натурные эксперименты, в ходе которых робот успешно выполнял навигацию в построенной карте даже при шумных сенсорных данных и успешно определял векторы движения динамических препятствий.
Публикации:
1. Stepan Dergachev, Kirill Muravyev, Konstantin Yakovlev. 2.5D Mapping, Pathfinding and Path Following For Navigation Of A Differential Drive Robot In Uneven Terrain // IFAC PapersOnline, Volume 55, Issue 38, Pp. 80-85. (ссылка)
2. Белинская Ю. С., Макаров Д. А. Построение нелинейной обратной связи в задаче слежения для модели колесного робота, основанное на технике SDDRE // Программные системы: теория и приложения. 2023. Т. 14. № 4. С. 189–206. (ссылка)
3. Криштопик А. С., Юдин Д. А. Monitoring of dynamic objects on a 2D occupancy map using neural networks and multimodal data // International Society for Photogrammetry and Remote Sensing, XLVIII-2/W3-2023, Pp. 137–143 (ссылка)
4. Муравьёв К.Ф., Яковлев К.С. Maintaining Topological Maps for Mobile Robots // The 16th International Conference on Machine Vision (ICMV 2023). (Yerevan, Armenia, November 15–18, 2023). (ссылка)