Klasifikace terénu a ohodnocení prostupnosti s využitím exteroceptivních dat

Abstract

Kráčející roboty mohou být v současné době považovány za rostoucí segment autonomní mobilní robotiky se záběrem od industriální inspekce po dlouhodobé operování v nehostinném prostředí. Hlavní výhodou těchto robotů je jejich schopnost operovat v obtížných terénech, které mohou být neprostupné pro kolová a pásová vozidla. Aby roboty efektivně operovaly v takových podmínkách, musejí dokázat odhadnout nárožnost zdolání různých terénů a například zvolit takový terén, který je pro robot eneregický výhodný. Energetickou náročnost lze ohodnotit Cost of Transport (CoT) metrikou průchodnosti prostředí, která je založená na energetické spotřebě a rychlosti robotu. V této práci navrhujeme teoretický rámec pro řešení problému průchodnosti terénu, který odhaduje CoT metriku na základě dat z proprioceptivních a exteroceptivních senzorů. V práci používáme jednoduché vizuální a geometrické deskriptory postavené nad daty z RGB-D kamery. Navržené řešení je otestováno v několika scénářích, včetně scénářů se změnou úhlu pohledu a scénářů obsahujících předem neznámé terény.

Multi-legged robots are being increasingly deployed in autonomous missions. Such missions can range from autonomous plant inspection to long-term operation in extraterrestrial environments. The main advantage of multi-legged robots is their ability to operate in hard to traverse terrains that can be impassable by wheeled or tracked vehicles. The multi-legged robots must be able to assess the terrain difficulty regarding the robot traversability capabilities based on the necessary effort to traverse the terrain. Such an assessment can be based on the Cost of Transport (CoT) that is a traversability measure computed from robot's power consumption and speed in traversing the particular terrain. In this thesis, we propose a terrain traversability regression framework to estimate CoT using information from the robot's proprioceptive and exteroceptive sensors. Namely, we utilize lightweight visual and geometric features computed from RGB-D image. We test the proposed traversability regression framework in several scenarios, including scenarios with viewpoint changes and tests using observed, but untraversed terrains.