Efektivní průzkum pracovního prostoru pomocí dotykové informace z celého povrchu robotu

Abstract

Tato diplomová práce představuje minimalistický přístup k autonomnímu průzkumu pracovního prostoru robotu využívajícího pouze dotykové vnímání z celého těla a kinematiky robota. Motivací jsou scénáře, ve kterých nejsou dostupné vizuální a jiné vysoce přesné senzory například ve tmě, prašném prostředí nebo při zakrytí výhledu. Práce čerpá inspiraci z lidské schopnosti lokalizovat objekty pouze pomocí hmatu. Klíčovým příkladem použití je robotický manipulátor v průmyslovém prostředí, který musí před zahájením předdefinovaného úkolu zhodnotit a přizpůsobit se případným překážkám v pracovním prostoru.

Navržená metoda se spoléhá výhradně na zpětnou vazbu z kontaktů detekovaných pomocí technologie distribuované umělé kůže a na kinematiku robotu, aby klasifikovala oblasti pracovního prostoru jako volné nebo obsazené. V simulovaném prostředí jsou zkoumány a hodnoceny čtyři průzkumné algoritmy Vertical Sweep, Horizontal Sweep, Carving Adaptive a Carving a jejich schopnost efektivně lokalizovat neznámé objekty. Výsledky ukazují, že i při omezeních daných nízkým rozlišením hmatových senzorů je možné dosáhnout dostatečného pochopení pracovního prostoru a lokalizace objektů, což činí tuto techniku vhodnou pro spolehlivý a bezpečný autonomní provoz v omezených prostředích.This thesis presents a minimalist approach to autonomous robot workspace exploration using only whole-body tactile sensing and kinematic information. Motivated by scenarios where visual and other high-resolution sensing modalities are unavailable, such as in dark, dusty, or occluded environments, the study draws parallels to a human localizing objects solely through touch. A key use case is a robotic manipulator in an industrial setting that must assess and adapt to potential workspace obstructions before initiating a predefined task.

The proposed method relies exclusively on contact feedback from a distributed artificial skin technology, and the robots kinematics to classify regions of the workspace as free or occupied. We explore and evaluate four exploration algorithms Vertical Sweep, Horizontal Sweep, Carving Adaptive, and Carving within a simulated environment, examining their ability to efficiently localize unknown objects. Results show that even with the limitations of low-resolution tactile sensors, sufficient workspace understanding and object localization can be achieved, making this technique suitable for robust and safe autonomous operation in constrained environments.