В данной статье будут рассмотрены подходы и библиотеки, предоставляемые ROS для решения задач автономной и не очень навигации.

Также будут рассмотрены несколько специфичных для антропоморфных роботов пакетов. Любой робот (наверняка даже машинка со средне-мощным бортовым ПК под управлением Linux и парой веб камер) наверняка найдет здесь что — нибудь для себя.

Если же аппаратура слишком слаба для подобных вычислений, можно воспользоваться распределенностью ROS, которая позволяет нодам на разных машинах взаимодействовать между собой. Подобный вариант описан здесь ^[1].

Тезарус

Карта препятствий (Occupancy Map, Grid)

Двухмерная дискретная карта, в которой каждая ячейка может быть в одном из трех состояний:

• 
• 
• 

Облако точек (PointCloud)

В ROS облака точек существуют в основном в виде sensor_msgs/PointCloud2 ^[2].

Плотное облако точек

Аналог Occupancy Grid, но в 3D.

В данной статье по умолчанию будет подразумеваться реализация из библиотеки Octomap ^[3].
Хороший разбор данной библиотеки в этой презентации ^[4].

Концепция нод / топиков / подписчиков

Если кратко, то вы можете запустить свою программу в контексте ROS, где она будет нодой (Node).
Также существуют топики (Topics). Это своего рода именованные ящики, в которые ноды могут складывать и из которых забирать сообщения различных типов (например объекты типов geometry_msgs::Pose, sensor_msgs::PointCloud2, nav_msgs::Path и многих других).

Любая из нод может публиковать в любые топики, а также считывать из любых топиков сообщения.
Ноды работают асинхронно друг от друга.

Если не совсем кратко, то

• tutorials ^[5]
• roscpp ^[6]

ROS

Robot operating system ^[7] — очень удобная платформа для реализации роботехнических проектов.

• Удачная концепция пакетов (можно использовать функционал библиотек, просто запустив соответствующую ноду)
• Предоставляет много нужных пакетов для робототехники
  В частности хорошо развиты стеки:
  • Навигации
  • Локализации
  • Картографии (SLAM алгоритмы)
• Предоставляет визуализаторы, удобную концепцию сообщений и подписчиков и много другого.

Подробности ^[7]

SLAM (с англ. одновременная локализация и картография)

Для автономной навигации, да и вообще чего — либо, требующего полной информации об окружении нужна карта самого окружения.

Для этих задач хорошо подходит карта в виде облака точек, из которой в дальнейшем можно получить другие варианты карт (плотное облако точек, OccupancyGrid).

Vision-based SLAM алгоритмы позволяют строить карту окружения и приблизительно оценивать местоположение в ней.

На входе

Данные с датчиков, помогающих оценить местоположение.

Например:

• ИНС
• Данные с моторов
• и т.д.

Данные с Vision датчиков

RGB-D Camera

• Представители: Kinect, Real Sence, Asus Xtion
• Предоставляет RGB снимок и карту глубины
• Хорошо поддерживаются мними библиотеками
• Дает приемлемую точность (зависит от расстояния. От 1 мм до 5 см)
• Дальность 4 метра
• Слепая зона 0.5 метра
• sensor_msgs/PointCloud2 ^[2]

Stereo Camera

• Высокая дальность
• Практически нет слепой зоны
• Точность ниже, чем у RGB-D камер
• Пара веб камер — не являются хорошей стереокамерой (но чем черт не шутит)

Lidar

• Очень высокая дальность
• Не менее высокая стоимость
• sensor_msgs/LaserScan ^[8]

На выходе

• Карта окружения
• Аппроксимация местоположения

SLAM пакеты в ROS

Примечание: в ROS можно получать облака точек со стереокамер или RGB-D камер. В свою очередь облака точек можно преобразовывать в LaserScan, который является ходовым форматом ROS сообщений для лидаров и принимается некоторыми из описанных ниже пакетов.

Это значит, что имея на руках стереокамеру, вы скорее всего сможете использовать SLAM алгоритмы, принимающие данные от Лидаров или RGB-D камер. Аналогично для RGB-D камер, вы сможете использовать их в качестве Лидаров.

rtabmap_ros ^[9]

ROS пакет, предоставляющий обвертку над бибилотекой rtabmap ^[10]. Наверное, самый популярный, удобный в использовании и многосторонний пакет.

• Качественная документация
• Поддерживает многие датчики в качестве источников данных (ряд RGB-D камер, стерео камеры, лидары)
• В меру требовательна к ресурсам даже при создании больших карт (хватает ноутбука с Intel Core i3 + 4 Гб RAM)
• Имеет множество интересных настроек, влияющих на скорость работы / качество
• Предоставляет много дополнительных функций.
  Например:
  • строит карту препятствий путем проецирования групп точек, начиная с некой высоты
  • имеет интеграцию с move_base (см ниже)
  • имеет ноду сегментации облака точек на 2 других облака (препятствия и земля)
• Интеграция с библиотекой Octomap (спец. структуры для создания, хранения и обработки плотных облаков точек)

hector_slam ^[11]

SLAM алгоритм, строящий 2D карту препятствий.
По умолчанию использует данные от лидара, но
с тем же успехом ему на вход можно подавать данные со стереокамеры, RGB-D камеры (см примечание вначале главы).

Близкий родственний: slam_gmapping ^[12].
Наверняка это самые легковесные реализации SLAM алгоритмов.

ElasticFusion ^[13]

• строит мешь
• высокие требования к ресурсам (GPU)
• Не имеет пакета в ROS

Эта библиотека хорошо рассмотрена в этой статье ^[14].

Подходы к решению задачи автономной (и не очень) навигации

В этом разделе будут разобраны основные подходы для решения вышеупомянутой задачи, которые предоставляет ROS. В официальном туториале ^[15] представлена лишь малая часть из них. Для ряда роботов имеются готовые решения (разделы 6.2 — 6.6 по ссылке выше). Также советую посмотреть эту ссылку ^[16]. Возможно имеет смысл немного переписать их код, если ваш робот похож на одного из представленного там списка.

Также есть ряд пакетов, не упомянутых в источниках выше. Особенно решения для коптеров.

Планирование по Карте Препятствий (OccupancyMap)

Этот подход позволяет решать задачу навигации на плоскости, что довольно просто в алгоритмическом смысле.

Карту препятствий (см в тезарусе статьи) можно получить из облака точек несколькими способами:

• На основе среза на определенной высоте из облака точек
• Как проекцию всех точек на плоскость z = 0 начиная с какой — нибудь заданной высоты z =?..
  Такой вариант предоставляет rtabmap.
  У него имеется много параметров, как то:
  • допустимый угол наклона "плоскости"
  • количество точек вблизи, которые стоит считать за препятствие
  • многое другое
• Некоторые реализации SLAM алгоритмов изначально строят лишь карту препятствий (см. выше)

ROS концепция move_base ^[17]

Хорошо пододит для колесных роботов. Это концепция ROS, которая состоит из 2 планеров.

Global Planner ^[18]

Ищет по Карте Препятствий глобальный маршрут в виде линии.

Local Planner ^[19]

На локальный планер ложится рассчет скоростей и углов, так чтобы избежать столкновений.

Далее скорость и углы подаются на ноду, управляющую роботом. Хорошо подойдет для колесных платформ.

footstep_planners

Данный подход рассчитан в основном на антропоморфных роботов. Один из сценариев использования карты препятствий в контексте навигации и движения антропоморфного робота это построение безопасной траектории шагов для робота, по которой он впоследствии сможет пройти.
Затем траектория в виде набора ступней поступет на исполнение роботу.

Применение такого варианта возможно, если контроллер робота может "выполнять" задания вида "наступить в точку с заданными координатами".

На мой взгляд, при планировании должны быть учтены условия равновесия робота, хоть планирование и осуществляется из набора "безопасных шагов". Или при реализации шага контроллер робота должен оценивать возможность реализовать его, не упав при этом.

footstep_planner ^[20] & humanoid_navigation ^[21]

footstep_planner ^[20] — часть решения humanoid_navigation ^[22] по навигации антропоморфного робота в известном окружении.

footstep_planner предоставляет возможность планировать маршрут в виде набора положений ступней, ведущей из стартовой в конечную позицию.
Планирование осуществляется на 2D карте препятствий.

Следует заметить, что данный пакет предоставляет много нужных настроек, что позволяет применять его практически на любых антропоморфных роботах.
Начиная с физических параметров ступней и их положений друг относительно друга при шаге,
заканчивая выбором алгоритма поиска, используемого при планировании.

Навигация в плотных (и не очень) облаках точек

Vigir_footstep_planner ^[23]

Это идейный продолжатель footstep_planner'a в 3D пространстве. При помощи него можно прокладывать маршрут прямо в плотных облаках точек. В комплекте — плагин к Rviz, позволяющий редактировать полученный маршрут.

Подробности в публикации ^[24]

3D navigation ^[25]

Расширение move_base, описанного выше до 3D с проверкой коллизий. Используется моделька робота и плотная 3D карта окружения.

Интересная публикация по этому пакету ^[26]

Move It ^[27]

Пакет планирования сложных движений для роботов любой конструкции. Робот представляется в виде модели с учетом всех подвижных частей и ограничений на их передвижения. Далее можно рассчитать траекторию всех конечностей робота при его переходе из одного состояния в другое. Возможен учет коллизий с окружением в виде плотных облаков точек (by Octomap).

В доументации к MoveIt можно найти ряд моделек, которые можно экспортировать и поиграться с ними. Среди туториалов ^[28] хорош этот ^[29], показывающий работу с библиотекой из C++ кода.

Интересные ссылки

Качественный разбор SLAM алгоритмов (англ.)

• Книга Probabilistic Robotics ^[30]
• Курс по SLAM алгоритмам и навигации ^[31]
  На протяжении курса досконально разбирается мат. база SLAM алгоритмов.
  В качестве практических заданий — реализация с 0 на Python с визуализацией.

Упомянутые в статье

• 3D mapping with Octomap ^[4]
• MoveIt tutorials ^[32]
• ROS robots ^[16]
• ROS navigation wiki ^[15]

Автор: Алексей Титов

Источник ^[33]