Detekce, sledování a predikce pohybu dynamických objektů pro autonomní navigaci mobilního robotu

Abstract

Tato práce se věnuje problematice detekce, sledování a predikce dynamických překážek pro autonomní navigaci mobilního robotu v prostředích s dynamickými agenty, zejména chodci. S ohledem na potřebu robota efektivně a bezpečně navigovat byla navržena komplexní metoda integrující více LiDAR senzorů pro detekci a sledování pohyblivých objektů. Tato metoda byl integrována do navigačního rámce ROS a využívá časoprostorové plánování k předvídání a včasnému vyhýbání se kolizím. Vyvinutá metoda byla testována v realistických scénářích simulovaných v Unreal Engine 5, kde prokázala zlepšení výkonu oproti referenční metodě navržené pro statická prostředí, dosahující více než 73% snížení počtu kolizí a přibližně 10% zrychlení příjezdů do cíle. Dále byla použitelnost metody ověřena experimentálními nasazeními ve skutečném prostředí, kdy robot úspěšně detekoval a sledoval chodce, predikoval jejich trajektorie a vyhýbal se všem kolizím.

This thesis addresses the problem of dynamic obstacle detection, tracking, and prediction for autonomous navigation of mobile robots operating in environments populated with dynamic agents, particularly pedestrians. Given the robots requirement to navigate efficiently and safely, a solution has been proposed, combining multiple LiDAR sensors for dynamic obstacle detection and tracking. This method has been integrated into the ROS navigation framework, utilizing a spatio-temporal planning approach to anticipate and proactively avoid collisions. The developed system was evaluated in realistic scenarios simulated in Unreal Engine 5, performing better than a reference method designed for static environments, achieving more than a 73% reduction in collisions and approximately a 10% acceleration in mission completion. Additionally, real-world experimental deployments verified the practical feasibility of the method, with the robot successfully detecting and tracking pedestrians, predicting their trajectories, and avoiding all collisions.