LiDAR alapú mobil robot lokalizáció Daum–Huang-szűrő eljárással
Már az ókorban kiemelkedően fontos szerepet kapott a különböző támpontokon alapuló lokalizáció, főképp a nyíltvízi navigáció esetében. A felfedezések korában már alapvető módszernek számított az ún. gördülőnavigálás, mely során a lokalizáció pusztán abból állt, hogy sebesség, mozgásirány, és eltelt idő mérése mellett közelítették a megtett utat és ezáltal pozíciót. Természetesen manapság ezen feladat elvégzésére már főképp globális műholdas navigációs rendszereket (GNSS) használunk, ám ezek alkalmazása sok esetben (például árnyékolt terekben) korlátokba ütközik. Amennyiben pl. egy önvezető jármű parkológarázsban történő parkolása, vagy pusztán egy beltéri mobil robot navigálása a feladat, a lokalizáció megoldása gyakran különböző állapotbecslő algoritmusokkal lehetséges.
Ezek közül kiemelkedő megoldást szolgáltat a Kálmán-szűrő, mely optimális becslőként szolgál lineáris, és Gauss zajjal terhelt dinamikai rendszerek esetén. Ám a valóságban túlnyomó többségben sem a linearitás, sem a normális eloszlású zaj nem teljesül. Ezen körülmények fennállása esetén alkalmaznak különböző nemlineáris szűrőket, mint például a kiterjesztett Kálmán-szűrőt (EKF), vagy különböző particle filter alapú algoritmusokat. Egy újszerű, és nagy potenciált rejtő szűrőalgoritmus az ún. Daum–Huang-szűrő (DHF), melyet eredetileg műholdak lokalizálására fejlesztett ki a két szerző, főképp a particle filterek hiányosságainak kiküszöbölésére.
A dolgozat elsőnek ismerteti és összefoglalja a különböző Daum–Huang szűrőrealizációkat, majd bevezet és megvizsgál egy DHF-en alapuló lokalizációs algorimust, mely képes egy foglaltsági hálóval megadott térképen egy mobil robot pozíciójának és orientációjának meghatározására 2 dimenzióban. Mérési adatot a robot odometriája, valamint egy, a robotra szerelt 2D LiDAR szolgáltat. A módszer megbízhatósága, pontossága és számítási kapacitása más, népszerű lokalizációs algoritmusokkal kerül összehasonlításra, ROS-Gazebo szimulációs környezetben.
Felhasznált, főbb szakirodalmak:
1. S. Thrun, W. Burgard, and D. Fox, Probabilistic Robotics. Cambridge, MA, USA: MIT Press, 2005.
2. F. Daum, J. Huang, and A. Noushin, ''Exact particle flow for nonlinear filters,'' in Proc. SPIE Conf. Signal Proc., Sensor Fusion, Target Recog., Orlando, FL, USA, Apr. 2010, pp. 92-110.
3. L. Dantanarayana, G. Dissanayake, R. Ranasinghe and T. Furukawa, "An extended Kalman filter for localisation in occupancy grid maps," in 2015 IEEE 10th Int. Conf. on Industrial and Information Systems (ICIIS), Peradeniya, Sri Lanka, Dec. 2015, pp. 419-424.
