Stikkord: autonom navigasjon

Publisert av — Legg igjen en kommentar

Autonom navigasjon med LeKiwi-robot og Nav2 – komplett integrasjon av ROS2-systemer

**Foxglove har samarbeidet med robotikk-utvikler Aditya Kamath om å demonstrere autonom navigasjon på LeKiwi holonomisk robot. Prosjektet viser en imponerende integrasjon av Nav2, ros2_control, lokalisering og SLAM-teknologi. Dette eksemplet illustrerer hvordan moderne ROS2-verktøy kan kombineres for å skape sofistikerte navigasjonsløsninger.**

LeKiwi – En holonomisk robotplattform

LeKiwi-roboten representerer en elegant tilnærming til holonomisk bevegelse, hvor roboten kan bevege seg i alle retninger uten å måtte rotere først. Denne egenskapen gjør den ideell for autonom navigasjon i trange rom og komplekse miljøer.

Den holonomiske designen gir flere fordeler:

• Bevegelse i alle retninger uten rotasjon
• Økt manøvrerbarhet i trange områder
• Optimaliserte baneplaner gjennom Nav2
• Redusert tid for komplekse navigasjonsoppgaver

Nav2-integrasjon og systemarkitektur

Prosjektet demonstrerer en helhetlig tilnærming til robotnavigasjon ved å integrere flere kritiske ROS2-komponenter. ros2_control håndterer motorkontrollen og gir et standardisert grensesnitt for robotens aktuatorer. Dette muliggjør sømløs kommunikasjon mellom Nav2s planleggingsalgoritmer og robotens fysiske bevegelsessystemer.

SLAM-funksjonen (Simultaneous Localization and Mapping) lar roboten bygge kart av miljøet samtidig som den lokaliserer seg selv. Dette er fundamentalt for autonom drift i ukjente omgivelser. Lokaliseringsystemet bruker sensorfusjon for å opprettholde nøyaktig posisjonering under bevegelse.

Praktiske anvendelser og videre utvikling

Denne integrasjonen åpner for numerous praktiske bruksområder:

Industrielle applikasjoner: Automatiserte lagersystemer, materialhandling og inspeksjonsoppgaver kan dra nytte av den presise navigasjonen og holonomiske bevegelsen.

Forsknings- og utdanningsprosjekter: Prosjektet gir et solid fundament for studenter og forskere som ønsker å eksperimentere med avanserte navigasjonsalgoritmer.

Kommersielle roboter: Serviceroboter i kontormiljøer, hoteller eller helseinstitusjoner kan implementere lignende systemer for autonom navigasjon.

Kompatibiliteten med ROS2s økosystem sikrer at løsningen kan tilpasses ulike robotplattformer og sensorkonfigurasjoner. Dette gjør det mulig å skalere teknologien fra prototyper til produksjonsklar robotikk.

Samarbeidet mellom Foxglove og Aditya Kamath demonstrerer hvordan åpen kildekode-samfunnet driver innovasjon innen robotikk fremover, og gir utviklere tilgang til avanserte navigasjonskapabiliteter som tidligere kun var tilgjengelige for store forskningsinstitutter.

Kilde: ROS Discourse

Publisert av — Legg igjen en kommentar

Fra reaktiv unngåelse til intelligent navigasjon: Oppgradering til ROS Nav2 SLAM

Å ta steget fra enkel hinderunnvikelse til sofistikert målrettet navigasjon er et naturlig neste trinn for mange hobbyrobotikere. Med ROS Nav2 og SLAM-teknologi kan hjemmeroboten din lære seg å kjenne igjen omgivelsene og navigere presist til spesifikke mål.

Mange som bygger hjemmerobotikk-prosjekter starter med reaktive systemer som enkelt unngår hindre. Men når du vil ha en robot som kan navigere intelligent gjennom hjemmet og huske hvor den har vært, er det på tide å utforske SLAM (Simultaneous Localization and Mapping) med ROS Nav2.

Utfordringen: Navigasjon uten hjulenkodere

Et vanlig problem mange møter er å implementere presis navigasjon på chassis uten hjulenkodere. Tradisjonelle differensialrobotikk-oppsett benytter servo-motorer med innebygde enkodere for å måle hjulrotasjoner, men mange hobbyprosjekter bruker enklere motorer uten denne funksjonaliteten.

Uten pålitelige hjulenkodere må roboten stole på alternative metoder for å beregne sin posisjon og bevegelse gjennom miljøet. Dette fører oss til to hovedalternativer: Visual-Inertial Odometry (VIO) eller 2D LIDAR-basert SLAM.

Visual-Inertial Odometry: Kamerabasert posisjonering

VIO kombinerer data fra dybdesensorer som Intel RealSense D435 eller lignende hp60c-sensorer med IMU-data (Inertial Measurement Unit). Denne løsningen analyserer visuelle referansepunkter i miljøet samtidig som den kompenserer for robotens bevegelser gjennom akselerometer- og gyroskopdata.

Fordeler med VIO:

  • Relativt rimelig implementasjon med moderne dybdesensorer
  • Fungerer godt i strukturerte innendørsmiljøer
  • Gir 6DOF-posisjonering (alle seks frihetsgrader)

Utfordringer:

  • Kan slite i dårlig belysning eller monotone omgivelser
  • Krever betydelig prosessorkraft for sanntidsbearbeiding
  • Drift over tid kan akkumulere posisjoneringsfeil

2D LIDAR: Den pålitelige klassikeren

LIDAR-sensorer som RPLIDAR A1M8 eller Hokuyo-serien har lenge vært gullstandarden for robotnavigasjon. Disse måler avstander ved å sende ut laserpulser og beregne refleksjonstid.

«For presise målrettede bevegelser i kjente miljøer er LIDAR fortsatt vanskelig å slå når det gjelder pålitelighet og nøyaktighet.»

Fordeler med 2D LIDAR:

  • Eksepsjonell nøyaktighet og konsistens
  • Fungerer uavhengig av lysforhold
  • Moden teknologi med omfattende ROS Nav2-støtte
  • Lavere krav til prosessorkraft

Ulemper:

  • Høyere innkjøpskostnad enn kameraløsninger
  • Kun 2D-kartlegging (kan misse hengslede hindre)

Anbefaling for hobbyprosjekter

For de fleste hjemmerobotikk-entusiaster anbefales å starte med 2D LIDAR hvis budsjettet tillater det. Teknologien er moden, godt dokumentert, og Nav2-økosystemet har utmerkede tutorials og eksempler tilgjengelig.

Dersom kostnaden er en begrensning, kan VIO være et interessant alternativ, men vær forberedt på mer feilsøking og kalibrering. Moderne Jetson-plattformer håndterer VIO-beregninger godt, og løsningen kan gi imponerende resultater i riktige omgivelser.

Kilde: ROS Discourse

Relevante produkter fra RoboNordic

Publisert av — Legg igjen en kommentar

Revolusjonerende AI-styring gjør marine roboter motstandsdyktige mot havets krefter

Forskere har utviklet et banebrytende kontrollsystem som gjør marine roboter langt bedre til å navigere i urolige havforhold. Den nye teknologien kombinerer domenekunnskap med avansert maskinlæring for å kompensere for uforutsigbare vind-, bølge- og strømeffekter i sanntid.

Utfordringene i marin robotikk

Marine roboter, enten det er overflatefartøy eller undervannsvehicler, har lenge slitt med å opprettholde presis navigasjon i havets komplekse miljø. Kombinasjonen av vind, bølger og strøm skaper uforutsigbare forstyrrelser som kan true både sikkerhet og presisjon i autonome operasjoner.

Tradisjonelle modellbaserte kontrollsystemer har sine begrensninger når de møter havets uberegnelige krefter. De klarer ofte ikke å tilpasse seg raskt nok til skiftende forhold, noe som kan føre til unøyaktig posisjonering eller i verste fall farlige situasjoner.

Domenekunnskap møter kunstig intelligens

Den nye tilnærmingen representerer et paradigmeskifte i hvordan vi tenker på marin robotstyring. Forskerne har utviklet et rammeverk som:

Integrerer spesialiserte basisfunksjoner fra domenekunnskap inn i et Kolmogorov-Arnold nettverk, og ekstraherer kontrollkunnskap derfra for å trene en maskinlæringsbasert kontroller.

Dette er ikke bare vanlig maskinlæring – systemet er designet spesifikt for marine miljøer. Ved å bygge inn kunnskap om hvordan havkrefter oppfører seg, kan AI-en lære mer effektivt og treffe bedre beslutninger under press.

Praktiske fordeler og anvendelser

Systemet opererer modellfritt, hvilket betyr at det ikke er avhengig av forhåndsdefinerte matematiske modeller av havforhold. I stedet observerer og kompenserer det for miljøforstyrrelser i sanntid.

De praktiske fordelene inkluderer:

  • Bedre banefølging: Mer nøyaktig navigasjon langs planlagte ruter
  • Økt sikkerhet: Raskere respons på uventede havforhold
  • Større robusthet: Fungerer under et bredere spekter av miljøforhold
  • Forbedret tilpasningsevne: Lærer kontinuerlig fra nye situasjoner

Teknologien er særlig relevant for anvendelser som havovervåking, offshore-operasjoner, søk og redning, og miljøkartlegging. For utviklere av marine robotsystemer åpner dette for nye muligheter innen presisjonsstyring under krevende forhold.

At systemet er validert under reelle forhold gjør det særlig interessant for praktiske implementeringer. Dette er ikke bare teoretisk forskning, men teknologi som kan integreres i eksisterende marine robotplattformer.

Kilde: Communications engineering

Relevante produkter fra RoboNordic

Publisert av — Legg igjen en kommentar

Mars-roveren Perseverance knuser alle rekorder innen autonom navigasjon

Mars-roveren Perseverance har satt ny standard for autonom kjøring på den røde planeten, med hele 90 prosent selvkjørte distanser sammenlignet med Curiosity-roverens beskjedne 6,2 prosent. Dette gjennombruddet skyldes den revolusjonerende Enhanced Autonomous Navigation (ENav) algoritmen som navigerer det steinete Mars-terrenget med minimal datakraft.

Mens tidligere Mars-oppdrag som Curiosity og Opportunity var avhengige av detaljerte instruksjoner fra Jorden, har Perseverance fundamentalt endret måten vi tenker på robotnavigasjon i rommet. Per 28. oktober 2024 – roverens 1312. dag på Mars – har den tilbakelagt nesten all sin distanse helt selvstendig.

ENav-algoritmen: Hjernen bak suksessen

Det som gjør Perseverance så spesiell er Enhanced Autonomous Navigation-systemet (ENav). Denne algoritmen representerer et kvantesprang fra tidligere navigasjonsløsninger og klarer å behandle komplekse terrengdata i sanntid med overraskende lite datakraft.

Forskjellen er slående: Der Curiosity kun klarte 6,2 prosent autonom kjøring, har Perseverance oppnådd 90 prosent autonomi – en fjorten-dobling av ytelsen.

ENav fungerer ved å kontinuerlig analysere det omkringliggende terrenget gjennom roverens kameraer og sensorer. Algoritmen identifiserer hindringer som steiner, kratre og skrenter, og beregner den sikreste og mest effektive ruten i sanntid. Dette eliminerer den tidkrevende prosessen med å vente på kommandoer fra Jorden, hvor signaler bruker mellom 4-24 minutter hver vei avhengig av planetenes posisjon.

Tekniske spesifikasjoner og ytelse

Det mest imponerende ved ENav er hvordan den oppnår disse resultatene med begrensede dataressurser. Mars-rovere må fungere med mye mindre prosessorkraft enn det vi finner i moderne smartphones, samtidig som de må tåle ekstreme temperaturer, stråling og støv.

Systemet bruker stereoskopisk syn for dybdepersepsjon, kombinert med maskinlæringsalgoritmer som er spesielt tilpasset Mars-miljøet. Algoritmen kan klassifisere terrengtyper og forutsi hvor trygt det er å kjøre på ulike overflater.

Praktiske anvendelser på Jorden

Teknologien som ligger bak ENav har betydelige implikasjoner for autonome systemer her på Jorden. Prinsippene kan anvendes i:

• Selvkjørende biler som må navigere i utfordrende værforhold
• Industriroboter som arbeider i ukjente eller skiftende miljøer
• Droner for søk og redning i vanskelig tilgjengelig terreng
• Undervannsfarkoster for havforskning

For hobbyister og utviklere som arbeider med autonome robotprosjekter, demonstrerer Perseverance at sofistikert navigasjon ikke nødvendigvis krever enorme dataressurser – men heller smarte algoritmer og effektiv programmering.

Suksessen til Perseverance viser at fremtiden for autonom navigasjon ikke bare ligger i kraftigere hardware, men i intelligentere programvare som kan gjøre mer med mindre.

Kilde: IEEE Spectrum Robotics