Teach-and-Repeat navigace mobilního robotu

Abstract

Tato práce představuje MixVT\&R, vizuální navigační systém na principu Teach-and-Repeat pro autonomní mobilní roboty, postavený na vysoce výkonném rámci pro vizuální rozpoznávání míst MixVPR. Systém funguje ve dvou fázích: fáze učení, kdy je robot ručně veden po trajektorii při shromažďování obrazových dat, a fáze opakování, během níž robot autonomně sleduje stejnou trajektorii pouze pomocí vizuálních vstupů. Lokalizace je dosaženo pomocí globálního porovnávání deskriptorů a laterální posun je odhadnut z obrazových prvků. Systém byl implementován na platformě Turtlebot2 a vyhodnocen v různých scénářích včetně přesnosti cesty, navigace po smyčce a odolnosti vůči náhlým posunům. Výsledky naznačují spolehlivý výkon při replikaci cest s nízkou latencí a silným konvergenčním chováním.

This work presents MixVT\&R, a vision-based Teach-and-Repeat navigation system for autonomous mobile robots, built upon the high-performance visual place recognition framework MixVPR. The system operates in two phases: a teach phase, where the robot is manually guided along a trajectory while collecting image data, and a repeat phase, during which the robot autonomously follows the same trajectory using only visual inputs. Localization is achieved through global descriptor matching and lateral shift is estimated from image features. The system was implemented on a Turtlebot2 platform and evaluated across various scenarios including path accuracy, loop navigation, and robustness to wake-up offsets. Results indicate reliable performance in replicating paths, with low latency and strong convergence behavior.