Запечатлевая движение,
Создавая истории

Беспилотные транспортные средства — это intelligent autonomous vehicles, которые могут выполнять планирование маршрута и восприятие окружающей среды, и стали популярным объектом исследований в области интеллектуальных транспортных средств. Беспилотные транспортные средства могут определять свое окружение и свои собственные условия с помощью бортовых датчиков и выполнять навигационные и позиционные расчеты для планирования маршрутов к конкретным целям.

В различных условиях один навигационный датчик не может предоставить точные данные для высокоточной навигации по положению. В связи с этим на беспилотных транспортных средствах устанавливается множество датчиков. В настоящее время наиболее распространёнными датчиками являются инерциальные измерительные устройства (IMU), устройства сверхширокополосной связи (UWB) и колесные одометры.

Для того чтобы сделать беспилотную систему более адаптивной и надежной, исследователи Харбинского технологического института изучили многосенсорную навигационную систему и поставили перед собой задачу решения проблемы асинхронного сбора данных в случае выхода из строя датчиков. Исследователи обобщили информацию от датчиков в факторы и использовали модель графа факторов для создания многосенсорной структуры, а затем применили алгоритм оптимизации инкрементального сглаживания и картирования (iSAM2), основанный на байесовском дереве, для обработки и синхронизации информации от датчиков. Этот метод обеспечивает, что точность близка к методу наименьших квадратов, при этом сохраняя вычислительную эффективность, что может значительно улучшить устойчивость и надежность навигационной системы.

Исследование сосредоточилось на интеграции данных ИМУ, UWB и одометра в закрытых помещениях с беспилотным транспортным средством, движущимся на относительно низкой скорости. Для проверки работы навигационного алгоритма исследователи создали мультисенсорную платформу, в которую входил мобильный квадрокоптер Scout 2.0, оснащённый MTi-G-700 (ИМУ), LinkTrack S (UWB) и одометром (ODOM) для бортовых датчиков. Платформа работала на системе Ubuntu и использовала Robot Operating System (ROS) для синхронного сбора данных.

Рисунок 1 Расположение базовой станции UWB

Рисунок 2 Место установки IMU, UWB

Для определения фактического положения платформы исследователи использовали систему захвата движения NOKOV. Три отражающих идентификационных точки были прикреплены к платформе и отслеживались 16 оптическими линзами Mars, установленными над испытательным полем размером 5 м × 5 м. Поскольку точность позиционирования системы захвата движения NOKOV достигает субмиллиметрового уровня, она предоставила надежную информацию о истинном положении и траектории движения тележки.

Рисунок 3 Система захвата движения NOKOV

Рис. 4 Установка отражающего маркера

Для анализа работы навигационной системы эксперимент сравнил данные IMU+UWB+ODOM с фактическими параметрами, зафиксированными системой захвата движений, а затем снова сравнил эти данные с данными, полученными с помощью одного сенсора.

Исследователи пришли к выводу, что одиночные сенсоры сталкиваются с определенными ограничениями, в то время как много-сенсорный алгоритм значительно улучшает эффективность работы системы с одиночным сенсором. Они также проанализировали эффективность и устойчивость много-сенсорной системы, доказывая, что данный метод значительно повысил вычислительную эффективность и надежность навигационной системы, которая также смогла получить более точную информацию о позиционировании, чем это было возможно ранее в случае сбоя сенсора.

Библиография:

Шэнь Хэбин. Исследование технологий навигации на основе слияния информации с многоп nguồnов сенсоров для беспилотных транспортных средств [D]. Харбинский институт технологии, 2021. DOI:10.27061/d.cnki.ghgdu.2021.004020.