instytut automatyki i in˙zynierii informatycznej ... · planowanie i monitorowanie wykonania...
Post on 18-Aug-2020
4 Views
Preview:
TRANSCRIPT
Wybrane problemynawigacji autonomicznej
Piotr Skrzypczynski
Instytut Automatyki i Inzynierii Informatycznej
Politechnika Poznanska
Wybrane problemynawigacji autonomicznej – p.1/28
Wstep
Robot mobilny – podstawowa funkcja jestprzemieszczanie sie wzgledem otoczenia(lokomocja).
Nawigacja (łac. navigatio – zegluga) jest
umiejetnoscia okreslenia własnej pozycji i kursu
(drogi) do celu na podstawie mapy.
budowa modelu otoczenia,
okreslanie swojej pozycji wzgledem otoczenia,
planowanie i monitorowanie wykonania sekwencji
ruchów prowadzacych do osiagniecia celu.
Wybrane problemynawigacji autonomicznej – p.2/28
Budowa mapy
Ilustracja zadania budowy mapy (złozonej z cech)przy znanej pozycji robota.
Wybrane problemynawigacji autonomicznej – p.3/28
Samolokalizacja
Ilustracja zadania samolokalizacji (sledzenia pozycji)przy znanej mapie.
Wybrane problemynawigacji autonomicznej – p.4/28
Samolokalizacja i budowa mapy
Ilustracja zadania jednoczesnej samolokalizacji ibudowy mapy.
Wybrane problemynawigacji autonomicznej – p.5/28
Nawigacja
Zadanie nawigacji robota: okreslenie własnejpozycji i drogi do celu na podstawie mapy.
Nawigacja ze znana mapa jest zadaniemwzglednie łatwym (algorytmicznie).
Właczenie tworzenia mapy do zadania nawigacji:Simultaneous Localization and Mapping.
SLAM jest zadaniem trudnym algorytmicznie ipraktycznie.
Wybrane problemynawigacji autonomicznej – p.6/28
Nawigacja
Zadanie nawigacji robota: okreslenie własnejpozycji i drogi do celu na podstawie mapy.
Nawigacja ze znana mapa jest zadaniemwzglednie łatwym (algorytmicznie).
Właczenie tworzenia mapy do zadania nawigacji:Simultaneous Localization and Mapping.
SLAM jest zadaniem trudnym algorytmicznie ipraktycznie.
Wybrane problemynawigacji autonomicznej – p.6/28
SLAM: koncepcja
Jaka pozycja robota xR(k) i mapa otoczenia m(k) sa
najbardziej prawdopodobne w swietle zgromadzonychpomiarów i sterowan zrealizowanych do chwili k ?
Funkcja gestosci prawdopodobienstwa a posteriori w chwili k:
p(xR(k),m(k) | zk,uk).
Ogólne rozwiazanie problemu SLAM – rekursywny filtr Bayesa:
p(xR(k),m | zk,uk) =
η
model obserwacji︷ ︸︸ ︷p(z(k) | xR(k),m)
∫model systemu︷ ︸︸ ︷
p(xR(k) | xR(k−1),u(k))poprzedni stan︷ ︸︸ ︷
p(xR(k−1),m | zk−1,uk−1) dxR(k−1).
Wybrane problemynawigacji autonomicznej – p.7/28
SLAM: koncepcja
Jaka pozycja robota xR(k) i mapa otoczenia m(k) sa
najbardziej prawdopodobne w swietle zgromadzonychpomiarów i sterowan zrealizowanych do chwili k ?
Rozkład normalny:
p(xR(k),m | zk,uk) ∼ N(x(k),Cx).
Struktura rozwiazania z uzyciem EKF:
p(xR(k),m | zk,uk) =
η
etap predykcji︷ ︸︸ ︷(∫p(xR(k) | xR(k−1),uk)p(xR(k−1),m | z(k−1),u(k−1))dxR(k−1)
)
etap korekcji︷ ︸︸ ︷p(zk | xR(k),m)
Wybrane problemynawigacji autonomicznej – p.7/28
EKF-SLAM: koncepcja
Schemat blokowy systemu SLAM opartego na EKFPredykcjaobserwacjiw chwili k
Stan robotaw chwili k-1
Mapaw chwili k-1
Predykcjastanu robota
w chwili k
Obserwacjew chwili k
Odometria
Mapaw chwili k
Stan robotaw chwili k
stan systemu w chwili k
Dopasowaniecech.
Estymacjastanu cech
i robota
Nowe cechy
TAK NIE
Etap predykcji EKF – okreslenie pozycji robota napodstawie odometrii.
Wybrane problemynawigacji autonomicznej – p.8/28
EKF-SLAM: koncepcja
Schemat blokowy systemu SLAM opartego na EKFPredykcjaobserwacjiw chwili k
Stan robotaw chwili k-1
Mapaw chwili k-1
Predykcjastanu robota
w chwili k
Obserwacjew chwili k
Odometria
Mapaw chwili k
Stan robotaw chwili k
stan systemu w chwili k
Dopasowaniecech.
Estymacjastanu cech
i robota
Nowe cechy
TAK NIE
Etap predykcji EKF – dopasowanie spodziewanychcech do cech wyodrebnionych z pomiarów.
Wybrane problemynawigacji autonomicznej – p.8/28
EKF-SLAM: koncepcja
Schemat blokowy systemu SLAM opartego na EKFPredykcjaobserwacjiw chwili k
Stan robotaw chwili k-1
Mapaw chwili k-1
Predykcjastanu robota
w chwili k
Obserwacjew chwili k
Odometria
Mapaw chwili k
Stan robotaw chwili k
stan systemu w chwili k
Dopasowaniecech.
Estymacjastanu cech
i robota
Nowe cechy
TAK NIE
Etap korekcji EKF – uaktualnienie pozycji robota iparametrów cech.
Wybrane problemynawigacji autonomicznej – p.8/28
EKF-SLAM: koncepcja
Schemat blokowy systemu SLAM opartego na EKFPredykcjaobserwacjiw chwili k
Stan robotaw chwili k-1
Mapaw chwili k-1
Predykcjastanu robota
w chwili k
Obserwacjew chwili k
Odometria
Mapaw chwili k
Stan robotaw chwili k
stan systemu w chwili k
Dopasowaniecech.
Estymacjastanu cech
i robota
Nowe cechy
TAK NIE
Dodawanie nowych cech do mapy – rozbudowawektora stanu.
Wybrane problemynawigacji autonomicznej – p.8/28
EKF-SLAM: koncepcja
Schemat blokowy systemu SLAM opartego na EKFPredykcjaobserwacjiw chwili k
Stan robotaw chwili k-1
Mapaw chwili k-1
Predykcjastanu robota
w chwili k
Obserwacjew chwili k
Odometria
Mapaw chwili k
Stan robotaw chwili k
stan systemu w chwili k
Dopasowaniecech.
Estymacjastanu cech
i robota
Nowe cechy
TAK NIE
k k-1
k
k
-1
Stan systemu w chwili obecnej staje sie stanem wchwili poprzedniej.
Wybrane problemynawigacji autonomicznej – p.8/28
EKF-SLAM: koncepcja
Schemat blokowy systemu SLAM opartego na EKFPredykcjaobserwacjiw chwili k
Stan robotaw chwili k-1
Mapaw chwili k-1
Predykcjastanu robota
w chwili k
Obserwacjew chwili k
Odometria
Mapaw chwili k
Stan robotaw chwili k
stan systemu w chwili k
Dopasowaniecech.
Nowe cechy
TAK NIE
k k-1
k
k
-1
Estymacjastanu cech
i robota
Budowa mapy przy znanej pozycji robota.
Wybrane problemynawigacji autonomicznej – p.8/28
EKF-SLAM: koncepcja
Schemat blokowy systemu SLAM opartego na EKFPredykcjaobserwacjiw chwili k
Stan robotaw chwili k-1
Mapaw chwili k-1
Predykcjastanu robota
w chwili k
Obserwacjew chwili k
Odometria
Mapaw chwili k
Stan robotaw chwili k
stan systemu w chwili k
Dopasowaniecech.
Estymacjastanu cech
i robota
Nowe cechy
TAK NIE
k k-1
k
k
-1
Samolokalizacja (pose tracking) ze znana mapa.
Wybrane problemynawigacji autonomicznej – p.8/28
EKF-SLAM: koncepcja
Schemat blokowy systemu SLAM opartego na EKFPredykcjaobserwacjiw chwili k
Stan robotaw chwili k-1
Mapaw chwili k-1
Predykcjastanu robota
w chwili k
Obserwacjew chwili k
Odometria
Mapaw chwili k
Stan robotaw chwili k
stan systemu w chwili k
Dopasowaniecech
Estymacjastanu cech
i robota
Nowe cechy
TAK NIE
k k-1
k
k
-1
W zagadnieniu SLAM stan robota i mapaotoczenia musza byc estymowane jednoczesnie.
Wybrane problemynawigacji autonomicznej – p.8/28
RGB-D SLAM (3D)
Pewne klasy robotów wymagaja samolokalizacjiw 3D, wzgledem szesciu stopni swobody:
xR = [xr yr zr θr φr ψr]T
Pojawienie sie sensorów RGB-D spowodowałoszybki rozwój nowych metod SLAM i VO.
Algorytm VO – okresla przemieszczenie robotana podstawie informacji wizyjnej bez tworzeniamapy otoczenia.
RGB-D SLAM jako problem optymalizacji grafupozycji sensora.
RGB-D SLAM jako problem optymalizacji grafupozycji sensora oraz cech (bundle adjustment).
Wybrane problemynawigacji autonomicznej – p.9/28
Odometria wizyjna RGB-D
Schemat blokowy algorytmu odometrii wizyjnejRGB-D
³¹czenieestymat
(odometria)
FASTdetekcjapunktu
adaptacja:paski,
DBScan
KLTœledzeniecech RGB
koniecœledzenia NIE
k:=k+n
n:=
n+
1
TAK
TAK
estymacjatransformacji
R,t
przypisaniedanych
g³êbi
RANSACtest
modelu
koniecRANSAC
NIE
FAST-Dtestg³êbi
przypisaniedanych
g³êbi
k-tyobrazRGB
k-tyobraz
D
k+n-tyobrazRGB
k+n-tyobraz
D
x(k)
x(k+n)
Wybrane problemynawigacji autonomicznej – p.10/28
Odometria wizyjna RGB-D
Schemat blokowy algorytmu odometrii wizyjnejRGB-D
³¹czenieestymat
(odometria)
FASTdetekcjapunktu
adaptacja:paski,
DBScan
KLTœledzeniecech RGB
koniecœledzenia NIE
k:=k+n
n:=
n+
1
TAK
TAK
estymacjatransformacji
R,t
przypisaniedanych
g³êbi
RANSACtest
modelu
koniecRANSAC
NIE
FAST-Dtestg³êbi
przypisaniedanych
g³êbi
k-tyobrazRGB
k-tyobraz
D
k+n-tyobrazRGB
k+n-tyobraz
D
x(k)
x(k+n)
Wybrane problemynawigacji autonomicznej – p.10/28
Odometria wizyjna RGB-D
Schemat blokowy algorytmu odometrii wizyjnejRGB-D
³¹czenieestymat
(odometria)
FASTdetekcjapunktu
adaptacja:paski,
DBScan
KLTœledzeniecech RGB
koniecœledzenia NIE
k:=k+n
n:=
n+
1
TAK
TAK
estymacjatransformacji
R,t
przypisaniedanych
g³êbi
RANSACtest
modelu
koniecRANSAC
NIE
FAST-Dtestg³êbi
przypisaniedanych
g³êbi
k-tyobrazRGB
k-tyobraz
D
k+n-tyobrazRGB
k+n-tyobraz
D
x(k)
x(k+n)
Wybrane problemynawigacji autonomicznej – p.10/28
Odometria wizyjna RGB-D
Schemat blokowy algorytmu odometrii wizyjnejRGB-D
³¹czenieestymat
(odometria)
FASTdetekcjapunktu
adaptacja:paski,
DBScan
KLTœledzeniecech RGB
koniecœledzenia NIE
k:=k+n
n:=
n+
1
TAK
TAK
estymacjatransformacji
R,t
przypisaniedanych
g³êbi
RANSACtest
modelu
koniecRANSAC
NIE
FAST-Dtestg³êbi
przypisaniedanych
g³êbi
k-tyobrazRGB
k-tyobraz
D
k+n-tyobrazRGB
k+n-tyobraz
D
x(k)
x(k+n)
Wybrane problemynawigacji autonomicznej – p.10/28
Odometria wizyjna RGB-D
Schemat blokowy algorytmu odometrii wizyjnejRGB-D
³¹czenieestymat
(odometria)
FASTdetekcjapunktu
adaptacja:paski,
DBScan
KLTœledzeniecech RGB
koniecœledzenia NIE
k:=k+n
n:=
n+
1
TAK
TAK
estymacjatransformacji
R,t
przypisaniedanych
g³êbi
RANSACtest
modelu
koniecRANSAC
NIE
FAST-Dtestg³êbi
przypisaniedanych
g³êbi
k-tyobrazRGB
k-tyobraz
D
k+n-tyobrazRGB
k+n-tyobraz
D
x(k)
x(k+n)
Wybrane problemynawigacji autonomicznej – p.10/28
Ekstrakcja cech
Wyniki działania detektora FAST-D.
Wybrane problemynawigacji autonomicznej – p.11/28
Ekstrakcja cech
Wyniki działania detektora FAST-D.
Wybrane problemynawigacji autonomicznej – p.11/28
Zarzadzanie cechami
Cechy wykryte za pomoca detektora FAST-D
Wybrane problemynawigacji autonomicznej – p.12/28
Zarzadzanie cechami
Cechy wykryte po podziale obrazu
Wybrane problemynawigacji autonomicznej – p.12/28
Zarzadzanie cechami
Cechy po grupowaniu algorytmem DBscan
Wybrane problemynawigacji autonomicznej – p.12/28
SLAM i optymalizacja
Rózne podejscia do rozwiazania problemu SLAM
Sformułowanie bayesowskie (Strasdat et al., 2012)
Wybrane problemynawigacji autonomicznej – p.13/28
SLAM i optymalizacja
Rózne podejscia do rozwiazania problemu SLAM
Filtracja (EKF, Particle Filter)
Wybrane problemynawigacji autonomicznej – p.13/28
SLAM i optymalizacja
Rózne podejscia do rozwiazania problemu SLAM
Pose-based SLAM (optymalizacja)
Wybrane problemynawigacji autonomicznej – p.13/28
SLAM i optymalizacja
Rózne podejscia do rozwiazania problemu SLAM
Sparse Bundle Adjustment (optymalizacja)
Wybrane problemynawigacji autonomicznej – p.13/28
PUT SLAM: koncepcja
Typowy pose-based SLAM z optymalizacja:
argminp
E =∑
ij eTijΩij eij
pc3
pcn
1pc
pc2
pcnpc
2pf
pf
pf
pf
pf pf
pf
2
13
4
5
6
m
t ,W
1212
t ,
W
11
11
nm
t ,
Wnm
pcn
1pc
pc2
pc3
pf
pf
pf
13,23
11,21
12,22
[R,t] , W12 12
Wybrane problemynawigacji autonomicznej – p.14/28
PUT SLAM: koncepcja
PUT SLAM: podejscie bundle adjustment:
argminp
E =∑n
i=1
∑m
j=1 e(pci ,p
fj ,mij)
TΩije(pci ,p
fj ,mij)
pc3
pcn
1pc
pc2
pcnpc
2pf
pf
pf
pf
pf pf
pf
2
13
4
5
6
m
t ,W
1212
t ,
W
11
11
nm
t ,
Wnm
Wybrane problemynawigacji autonomicznej – p.14/28
Architektura PUT SLAMSchemat blokowy systemu PUT SLAM
koniecœledzenia
?
NIE
TAK
estymacjapozycjisensora
wykrywaniecech
punktowych
przypisaniedanych
g³êbi
œledzeniecech
projekcjacech zmapy
RANSACtestowanie
modelu
wyzaczanieograniczeñ
dodawanienowych cech
niedopasowane
SLAM FRONT-END
dopasowaniedeskryptorów
grafograniczeñ
g o2
cechy, deskryptory,pozycje sensora
optymalizacja grafu i synchronizacja z map¹
SLAM BACK-END
Wybrane problemynawigacji autonomicznej – p.15/28
Architektura PUT SLAMSchemat blokowy systemu PUT SLAM
koniecœledzenia
?
NIE
TAK
estymacjapozycjisensora
wykrywaniecech
punktowych
przypisaniedanych
g³êbi
œledzeniecech
projekcjacech zmapy
RANSACtestowanie
modelu
wyzaczanieograniczeñ
dodawanienowych cech
niedopasowane
SLAM FRONT-END
dopasowaniedeskryptorów
grafograniczeñ
g o2
cechy, deskryptory,pozycje sensora
optymalizacja grafu i synchronizacja z map¹
SLAM BACK-END
Wybrane problemynawigacji autonomicznej – p.15/28
Architektura PUT SLAMSchemat blokowy systemu PUT SLAM
koniecœledzenia
?
NIE
TAK
estymacjapozycjisensora
wykrywaniecech
punktowych
przypisaniedanych
g³êbi
œledzeniecech
projekcjacech zmapy
RANSACtestowanie
modelu
wyzaczanieograniczeñ
dodawanienowych cech
niedopasowane
SLAM FRONT-END
dopasowaniedeskryptorów
grafograniczeñ
g o2
cechy, deskryptory,pozycje sensora
optymalizacja grafu i synchronizacja z map¹
SLAM BACK-END
Wybrane problemynawigacji autonomicznej – p.15/28
Optymalizacja: g2o
Struktura biblioteki g2o (Kümmerle et al., 2011)
Wybrane problemynawigacji autonomicznej – p.16/28
Metodyka badan (1)
TUM RGB-D Benchmark – przemieszczanyrecznie Kinect (Sturm et al., 2012).
Wybrane problemynawigacji autonomicznej – p.17/28
Metodyka badan (2)
Trajektorie odniesienia uzyskane za pomocasystemu kamer (Kraft et al., 2016).
Akwizycja danych RGB-D zsynchronizowana zpraca kamer (15Hz).
-3
-2
-1
0
1
-1-0.5
00.5
1
0.01
start
stopz [m]
a [m]
y [m]
Wybrane problemynawigacji autonomicznej – p.18/28
Metodyka badan (3)
Eksperymenty z robotem Messor II wykonane namakiecie terenu 2 × 2 m (Belter et al., 2016).
Trajektorie testowe zblizone kształtem dokwadratu.
-0.8-0.6
-0.4-0.2
00.2
0.40.6 -1.6
-1.4-1.2
-1-0.8
-0.6-0.4
-0.20
0.2
-1.0 start/stop
z [m]
a [m] y [m]
Wybrane problemynawigacji autonomicznej – p.19/28
Wyniki badan (1)
TUM RGB-D Benchmarkfr3_long_office_household
ATE: PUT SLAM 0.02m, ORB-SLAM2 0.009m
ATE: RGB-D SLAM v2 0.095m, CCNY 0.106m
PUT SLAMVO RGB-D ORB SLAM2
Wybrane problemynawigacji autonomicznej – p.20/28
Wyniki badan (1)
TUM RGB-D Benchmarkfr3_long_office_household
ATE: PUT SLAM 0.02m, ORB-SLAM2 0.009m
ATE: RGB-D SLAM v2 0.095m, CCNY 0.106m
RGB-D SLAM v2CCNY_RGBD KinFu LS
Wybrane problemynawigacji autonomicznej – p.20/28
Wyniki badan (1)
TUM RGB-D Benchmarkfr3_long_office_household
ATE: PUT SLAM 0.02m, ORB-SLAM2 0.009m
ATE: RGB-D SLAM v2 0.095m, CCNY 0.106m
RGB-D SLAM v2CCNY_RGBD KinFu LS
Wybrane problemynawigacji autonomicznej – p.20/28
Wyniki badan (2)
Robot kołowy, sekwencja putkk_1
ATE: PUT SLAM 0.104m, ORB-SLAM2 0.018m
ATE: RGB-D SLAM v2 FAIL, CCNY 0.529m
PUT SLAMVO RGB-D ORB SLAM2
Wybrane problemynawigacji autonomicznej – p.21/28
Wyniki badan (2)
Robot kołowy, sekwencja putkk_1
ATE: PUT SLAM 0.104m, ORB-SLAM2 0.018m
ATE: RGB-D SLAM v2 FAIL, CCNY 0.529m
RGB-D SLAM v2CCNY_RGBD KinFu LS
Wybrane problemynawigacji autonomicznej – p.21/28
Wyniki badan (2)
Robot kołowy, sekwencja putkk_1
ATE: PUT SLAM 0.104m, ORB-SLAM2 0.018m
ATE: RGB-D SLAM v2 FAIL, CCNY 0.529m
RGB-D SLAM v2CCNY_RGBD KinFu LS
Wybrane problemynawigacji autonomicznej – p.21/28
Wyniki badan (3)
Robot Messor II, sekwencja messor2_2
ATE: PUT SLAM 0.069m, ORB-SLAM2 FAIL
ATE: RGB-D SLAM v2 0.158m, CCNY 0.307m
PUT SLAMVO RGB-D ORB SLAM2
Wybrane problemynawigacji autonomicznej – p.22/28
Wyniki badan (3)
Robot Messor II, sekwencja messor2_2
ATE: PUT SLAM 0.069m, ORB-SLAM2 FAIL
ATE: RGB-D SLAM v2 0.158m, CCNY 0.307m
RGB-D SLAM v2CCNY_RGBD KinFu LS
Wybrane problemynawigacji autonomicznej – p.22/28
Lokalizacja WiFi (pose-based)
Wykorzystanie sygnatur WiFi (fingerprints)
Wystarczy znac pozycje wybranych AP WiFi
Wybrane problemynawigacji autonomicznej – p.23/28
Lokalizacja WiFi – wyniki
Wykorzystanie tylko krokomierza oraz IMUA – centrum wykładowe PP, B – centrum mechatroniki PP
Wybrane problemynawigacji autonomicznej – p.24/28
Lokalizacja WiFi – wyniki
Wprowadzenie informacji o wybranych APA – centrum wykładowe PP, B – centrum mechatroniki PP
B
Wybrane problemynawigacji autonomicznej – p.24/28
Lokalizacja WiFi – wyniki
Wyniki po optymalizacji grafu: krokomierz +IMU + WiFi A – centrum wykładowe PP, B – centrum
mechatroniki PP
BA
Wybrane problemynawigacji autonomicznej – p.24/28
Aplikacja: Android
Działanie aplikacji lokalizacyjnej – SamsungGalaxy Note S3
Wybrane problemynawigacji autonomicznej – p.25/28
Aplikacja: Android
Działanie aplikacji lokalizacyjnej – SamsungGalaxy Note S3
Wybrane problemynawigacji autonomicznej – p.25/28
PodsumowanieArchitektury systemów SLAM uwazane zareprezentatywne nie zawsze radza sobie dobrze zdanymi uzyskanymi przez roboty.
PUT SLAM wykazał sie skutecznoscia działaniawe wszystkich eksperymentach.
Koncepcja SLAM opartego na optymalizacji jestbardzo uniwersalna.
Współczesne metody optymalizacji umozliwiajadziałanie w czasie rzeczywistym.
Wybrane problemynawigacji autonomicznej – p.26/28
What next ?
Wybrane problemynawigacji autonomicznej – p.27/28
Zasoby
Kod open-source PUT SLAM dostepny na GitHub:https://github.com/LRMPUT/PUTSLAM/tree/release
Strona WWW PUT SLAM:http://lrm.put.poznan.pl/putslam/
Wybrane problemynawigacji autonomicznej – p.28/28
Laboratorium Robotów Mobilnych
Zakład Automatyki i Robotyki
Instytut Automatyki i Inzynierii Informatycznej
Politechnika Poznanska
http://lrm.put.poznan.pl
16.11.2016 – p.1/13
Zespół
Pracownicy naukowi:
dr hab. inz. Piotr Skrzypczynski, prof. nadzw.
dr inz. Dominik Belter, adiunkt
dr inz. Krzysztof Walas, adiunkt
mgr inz. Michał Nowicki, asystent
mgr inz. Jan Wietrzykowski, asystent
Doktoranci: piec osób
Współpraca z innymi grupami badawczymi wramach Zakładu
16.11.2016 – p.2/13
Tematyka badan (1)
Autonomiczne roboty mobilne
autonomiczna nawigacja w pomieszczeniach
autonomiczna nawigacja outdoor
współpraca robotów i koordynacja działan
Jednoczesna samolokalizacja i budowa mapy(SLAM)
2D SLAM
3D RGB-D SLAM
3D visual odometry & visual SLAM
16.11.2016 – p.3/13
Tematyka badan (2)
Roboty kroczace
sterowanie chodem i planowanie ruchu
percepcja i samolokalizacja
Roboty antropomorficzne
planowanie ruchu
wykorzystanie wzorców ruchu człowieka
Nawigacja indoor dla urzadzen mobilnych(smartfony itp.)
nawigacja na duzych obszarach (cały budynek)
GPS-denied environments
wykorzystanie danych z wielu sensorów
16.11.2016 – p.4/13
Projekty badawcze
Narodowe Centrum Nauki
1. OPUS
2. ETIUDA
3. 3 × PRELUDIUM
Ministerstwo Nauki i Szkolnictwa Wyzszego
1. Projekty badawcze własne (przed rokiem 2011)
2. “Diamentowy Grant”
3. “Generacja Przyszłosci”
Narodowe Centrum Badan i Rozwoju
1. LIDER
16.11.2016 – p.5/13
Współpraca miedzynarodowa
University of Birmingham (UK)
ETH Zürich (CH)
FZI Karlsruhe (DE)
University of Antwerp (BE)
Czech Technical University in Prague (CZ)
RMIT, Melbourne (AU)
16.11.2016 – p.6/13
Roboty (1)
Xtion
Kinect 2
LMS 200skaner laserowy
dalmierzeultradŸwiekowe
XL
YL
XC
YC
ZC
WV-CP230kamera CCD
16.11.2016 – p.7/13
Roboty (2)
URG-04LXlaser
scanner
CCD camera
robotcontroller
+ IMU
pollutionsensor
+
16.11.2016 – p.8/13
Roboty (3)
Xtion
16.11.2016 – p.9/13
Sensory (1)
16.11.2016 – p.10/13
Sensory (2)
16.11.2016 – p.11/13
Wybrane publikacje 2012–20161. P. Skrzypczynski, Laser Scan Matching for Self-Localization of a Walking Robot in
Man-Made Environments, Industrial Robot: An International Journal, 39(3), 2012,
242–250.
2. D. Belter, P. Skrzypczynski, Precise Self-Localization of a Walking Robot on Rough
Terrain Using Parallel Tracking and Mapping, Industrial Robot: An International Journal,
40(3), 2013, 229–237.
3. K. Walas, Terrain Classification and Negotiation with a Walking Robot, Journal of
Intelligent & Robotic Systems 78(3), 2014, 401–423.
4. J. Goslinski, M. Nowicki, P. Skrzypczynski, Performance Comparison of EKF-Based
Algorithms for Orientation Estimation on Android Platform, IEEE Sensors Journal,
15(7), 2015, 3781–3792.
5. M. Kraft, M. Nowicki, R. Penne, A. Schmidt, P. Skrzypczy/nski, Efficient RGB-D Data
Processing for Feature-based Self-localization of Mobile Robots, Int. Journal of Applied
Mathematics and Computer Science, 26(1), 2016, 63–79.
6. D. Belter, P. Labecki, P. Skrzypczynski, Adaptive Motion Planning for Autonomous
Rough Terrain Traversal with a Walking Robot, Journal of Field Robotics, 33(3), 2016,
337–370.
16.11.2016 – p.12/13
Wybrane publikacje 2012–20167. D. Belter, P. Labecki, P. Fankhauser, R. Siegwart, RGB-D Terrain Perception and Dense
Mapping for Legged Robots, Int. Journal of Applied Mathematics and Computer Science,
26(1), 2016, 81–97.
8. M. Kraft, M. Nowicki, A. Schmidt, M. Fularz, P. Skrzypczynski, Toward Evaluation of
Visual Navigation Algorithms on RGB-D Data from the First- and Second-Generation
Kinect, Machine Vision and Applications, 2016.
9. J. Wietrzykowski, D. Belter, Boosting Suport Vector Machines for RGB-D Based Terrain
Classification, Journal of Automation, Mobile Robotics and Intelligent Systems, 8(3),
2014, 28–34.
10. J. Wietrzykowski, On the Representation of Planes for Efficient Graph-Based SLAM with
High-Level Features, Journal of Automation, Mobile Robotics and Intelligent Systems,
10(3), 2016, 3–11.
11. D. Belter, M. Nowicki, P. Skrzypczynski, On the Performance of Pose-Based RGB-D
Visual Navigation Systems, in: Computer Vision – ACCV 2014, LNCS 9004, Springer
2015, 407–423.
12. D. Belter, M. Nowicki, P. Skrzypczynski, Improving Accuracy of Feature-Based RGB-D
SLAM by Modeling Spatial Uncertainty of Point Features, Proc. IEEE Int. Conf. on
Robotics & Automation, Stockholm, 2016, 1279–1284.
16.11.2016 – p.13/13
top related