Kaartopbouw en lokalisatie voor automatisch geleide voertuigen met natuurlijke oriëntatiepunten

Abstract

Zelfrijdende robots worden steeds meer gebruikt in fabrieksomgevingen; hierbij ontlasten ze magazijnmedewerkers door repetitieve taken op zich te nemen. Tot dusver positioneert een industriële AGV zich met een 2D-laserscanner, die zich oriënteert op kunstmatige oriëntatiepunten, met name reflectoren op een gekende positie. Maar in de praktijk worden deze reflectoren soms geblokkeerd door objecten. Bovendien kost het inmeten van deze kunstmatige oriëntatiepunten veel tijd, en kan de eindgebruiker dit meestal niet zelf. Een mogelijke oplossing is het gebruik van de aanwezige omgevingskenmerken, de zgn. 'natuurlijke oriëntatiepunten'.

In deze masterproef werd volgende procedure uitgewerkt. Een 2D- laserscanner meet een puntenwolk van de omgeving, die gebruikt wordt om de positie van de laserscanner te bepalen door deze puntenwolk te vergelijken met een op voorhand ingemeten kaart van de omgeving. De kaart wordt opgebouwd m.b.v. het Gmapping algoritme. Dit gebeurt door handmatig rond te rijden met de AGV, in Rviz, de visualisatieomgeving van ROS, kan de mapopbouw gevolgd worden. Eenmaal de kaart gekend is wordt het AMCL-algoritme gebruikt om lokalisatie in die kaart te doen.

Uit de testen blijkt dat navigatie met natuurlijke oriëntatiepunten mogelijk is en een mogelijke vervanger is voor kunstmatige oriëntatiepunten. Beide systemen hebben hun eigen voor- en nadelen. Een keuze tussen de twee zal van verschillende factoren afhangen.