Який алгоритм можна використовувати для побудови карти досліджуваної області за допомогою ряду ультразвукових датчиків?

Ультразвукові датчики в наші дні неймовірно дешеві, що робить їх популярним вибором для багатьох роботодавців-прикладів-любителів, і я хотів би використати купу їх (скажімо 10) навколо робота з алгоритмом для складання приблизної карти місцевості (як Робот досліджує це.) Мені не цікаво займатися рухомими об'єктами на цьому етапі, просто визначаючи нерухомі, і я буду використовувати GPS для визначення місця розташування. Я усвідомлюю, що інші компоненти, такі як лазерний сканер, дають набагато точніші результати, однак такі пристрої також астрономічно дорожчі.

Чи існує алгоритм для цієї мети?

Алгоритми по суті однакові незалежно від того, які датчики ви використовуєте.

Справжня проблема, яку торкнувся Кріс , полягає в тому, що SLAM важкий навіть з дуже хорошими датчиками.

Я вважаю, що GPS, одометрія колеса та IMU є необхідними для навіть спроби удару ультразвуком.

Якщо ви просто шукаєте дешеву локалізацію, рекомендую також поглянути на слэм на баченні зору / кінекта. І веб-камери, і кінект дуже дешеві, і візуальний слэм пройшов довгий шлях.

Кінект - це майже святий грааль з точки зору продуктивності / вартості датчиків, якщо ви знаходитесь в приміщенні.

Ось приклад кинекта про робота плюс багато математики: http://www.youtube.com/watch?v=9Y4RQVpp-BY

На цю тему існує ціла область літератури. Найбільш загальна ідея - це одночасна локалізація та картографування ( SLAM ), де робот повинен будувати карту одночасно з локалізацією на цій карті. Залежно від того, наскільки точно ви хочете, щоб ваші карти були, ви можете спробувати більш просту проблему створення карти сітки для заповнення , яка передбачає, що ви знаєте місце роботи.

Взагалі, GPS досить жахливий, тому генерація сітки зайнятості просто за допомогою GPS як основного джерела розташування генерує досить нечіткі карти. Однак можна інтегрувати GPS із прискоренням, гіроскопами, компасами, камерами, кодовими колами та іншими датчиками, щоб наблизити гарне становище у світі. В іншому випадку вам потрібно буде розглянути просту систему SLAM для вирішення своїх проблем.

Гарний пакет з відкритим кодом g2o , для так званого GraphSLAM, дозволяє поставити такі обмеження, як GPS та відносне положення до стін. Це може бути не точно підходить, але це досить загально.

Щоб зробити SLAM, вам знадобиться порівняно хороша оцінка позиції.

Роботи, які використовують лазерні сканери, можуть робити просто одометрію, оскільки дані відносно точні, а дані сканера можуть бути використані для локалізації в наступних етапах часу.

Ультразвукові датчики дуже нечіткі, вони, як правило, мають нечіткість напрямку в 20+ градусів, і все в загальному напрямку буде виявлено.

Таким чином, вони надають незначну допомогу в локалізації (за винятком дуже структурованих середовищ).

Для розумної локалізації можна використовувати комбінацію GPS / IMU. Звичайно, це залежить від масштабу роботи, і якщо він знаходиться в приміщенні, GPS може не бути практичним.

Якщо ви в змозі ретельно контролювати ковзання коліс, одометрія коліс може значно покращити локалізацію за короткий термін (хоча переважний абсолютний метод локалізації). Без абсолютного посилання (наприклад, GPS), навіть за допомогою лазерного сканера, вам потрібно буде мати можливість вирішити проблему "закриття циклу".

Структуровані середовища можуть мати меншу вимогу точності. Наприклад, середовище, що нагадує лабіринт, зі стінами на регулярних відстанях квадратної сітки, де легко визначити наявність стіни в кожному напрямку осередку сітки.