Celoživotní určování polohy mobilního robotu

Abstract

Tato bakalářská práce se věnuje celoživotnímu určování polohy mobilního robotu, který bude nasazen v industriálním prostředí k přepravování materiálu či zboží. Mobilní robotika pomocí lokalizace zajišťuje robotu potřebnou míru autonomie k samostatné činnosti. Metoda založena na transformaci normálního rozdělení je vhodná do dynamického prostředí s určením polohy v reálném čase a limitem využité paměti. Cílem práce je uvedení experimentální sestavy do provozu a ověření funkčnosti metody ve vnitřních dynamických prostředí. Důraz je kladen především na sběr dat z reálných prostředí a testování algoritmu lokalizace nad těmito daty. Experimenty byly provedeny na čtyřkolovém pozemním robotu Jackal vybaveném lidarem v prostředí ROS. Práce zahrnuje popis použitých senzorů, princip metody, popis hardwaru a softwaru a zhodnocuje výsledky experimentů, které potvrzují schopnost dlouhodobé lokalizace pomocí transformace normálního rozdělení.

This bachelor thesis is dedicated to a lifelong localization of a mobile robot, which is designed to be used in an industrial environment for transport of material or goods. Mobile robotics provided by localization ensures sufficient amount of autonomy for the robot to be able to function without further assistance. The method based on transformation of normal distribution is suitable for usage in dynamic environment with real-time localization in appropriate limits of used memory. The goal of this thesis is to bring the experimental assembly into everyday operation and to verify functionality of the method in inner dynamical area. The emphasis is put on data collecting from real world and localization algorithm testing based on the data. The experiments were performed on four-wheel ground robot Jackal equipped with lidar in ROS environment. This thesis includes a description of used sensors, the principle of method, hardware and software description and it evaluates the results of experiments which confirm the ability of long time localization using transformation of normal distribution.