Show simple item record

Robotic Lawn Mower



dc.contributor.advisorDrchal Jan
dc.contributor.authorLukáš Bauer
dc.date.accessioned2020-06-18T22:52:52Z
dc.date.available2020-06-18T22:52:52Z
dc.date.issued2020-06-18
dc.identifierKOS-960824021405
dc.identifier.urihttp://hdl.handle.net/10467/88202
dc.description.abstractRobotické 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.cze
dc.description.abstractRobotic 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.eng
dc.publisherČeské vysoké učení technické v Praze. Vypočetní a informační centrum.cze
dc.publisherCzech Technical University in Prague. Computing and Information Centre.eng
dc.rightsA university thesis is a work protected by the Copyright Act. Extracts, copies and transcripts of the thesis are allowed for personal use only and at one?s own expense. The use of thesis should be in compliance with the Copyright Act http://www.mkcr.cz/assets/autorske-pravo/01-3982006.pdf and the citation ethics http://knihovny.cvut.cz/vychova/vskp.htmleng
dc.rightsVysokoškolská závěrečná práce je dílo chráněné autorským zákonem. Je možné pořizovat z něj na své náklady a pro svoji osobní potřebu výpisy, opisy a rozmnoženiny. Jeho využití musí být v souladu s autorským zákonem http://www.mkcr.cz/assets/autorske-pravo/01-3982006.pdf a citační etikou http://knihovny.cvut.cz/vychova/vskp.htmlcze
dc.subjectrobotická sekačkacze
dc.subjectlokalizacecze
dc.subjectvizuální klasifikacecze
dc.subjectROScze
dc.subjectrobot operating systemcze
dc.subjectrobotic lawn mowereng
dc.subjectlocalizationeng
dc.subjectvisual classificationeng
dc.subjectROSeng
dc.subjectrobot operating systemeng
dc.titleRobotická sekačkacze
dc.titleRobotic Lawn Mowereng
dc.typediplomová prácecze
dc.typemaster thesiseng
dc.contributor.refereeKoutník Jan
theses.degree.disciplineKybernetika a robotikacze
theses.degree.grantorkatedra řídicí technikycze
theses.degree.programmeKybernetika a robotikacze


Files in this item





This item appears in the following Collection(s)

Show simple item record