Robotická sekačka

Abstract

Robotické sekačky se těší stále větší popularitě. Bohužel levnější robotické sekačky obvykle postrádají ''inteligenci'' a pohybují se vyhrazeným prostorem náhodně. V rámci této práce je představeno několik levných lokalizačních method spolu s klasifikátorem terénu. Tyto metody jsou implementovány v rámci Robot Operating System (ROS) a integrovány do DIY otevřené robotické platformy Ardumower. Navrhnuté metody lokalizace pomocí filtrované odometrie a SLAM jsou poté vyhodnoceny během několika experimentů a je změřena jejich chyba, vůči ground truth, která je dostupná z externí lokalizace pomocí Whycon. Obě metody dosahují relativní chyby, vzhledem k ground truth menší než 10%. Po dalších úpravách metody SLAM, tato metoda dosahuje relativní chyby vůči ground truth menší než 5%. Navrhnutý klasifikátor terénu klasifikuje obrázky z kamery do jedné ze dvou tříd. Tyto třídy jsou grass a not grass. Klasifikátor dosahuje 98% přesnosti na testovacích datech.

Robotic lawn mowers are ever increasing in popularity. Unfortunately, lower cost robotic lawn mowers usually lack ''intelligence'' and move in the designated mowing area randomly. In this thesis, multiple low cost localization options, together with a terrain classification method are presented. These methods are implemented as Robot Operating System (ROS) nodes and integrated to a DIY open source, open hardware robotic lawn mower platform Ardumower. The proposed filtered odometry and SLAM methods are then evaluated during multiple experiments and their error with respect to the ground truth, available from Whycon external localization method is measured. Both methods are able to achieve relative error with respect to the ground truth of less than 10%. After further corrections of the SLAM method, this method is able to achieve relative error with respect to the ground truth of less than 5%. The proposed terrain classification method classifies images to one of two classes. These classes are grass and non grass. The classifier achieved 98% accuracy on the evaluation dataset.