TY  - THES
AB  - Diese Arbeit befasst sich mit der Hindernis- und Fahrwegerkennung, der Hindernisvermeidung sowie mit der Selbstlokalisierung eines mobilen Fahrzeugs. Während dafür bisher 2D-Laserscanner, 3D-Laserscanner oder Stereovision eingesetzt wurden, wird hier die Anwendung der PMD-Kamera gezeigt.

Als Experimentierplattform wurde ein mobiler Roboter mit Differentialantrieb (Tom3D) und ein weiterer mobiler Roboter mit Ackermannantrieb (Merlin3D) vorgestellt. Beide mobilen Fahrzeuge sind mit der gleichen Systemarchitektur ausgestattet und besitzen je einen Embedded-PC für Sensordatenverarbeitung, Bildverarbeitung und Kommunikation sowie einen Mikrocontroller C167 für Geschwindigkeitsregelung und Hindernisvermeidung. Für die Geschwindigkeitsregelung und für die grobe Selbstlokalisierung kommen Rad-Encoder zum Einsatz. GPS- und Inklinations-sensoren dienen zur Unterstützung der Selbstlokalisierung. Der Zugriff auf das mobile Fahrzeug durch den Operator ist einerseits als manuelle Steuerung möglich oder kann andererseits per Wireless-LAN (WLAN) realisiert werden. Eine Telepräsenz bzw. Telemetrie via Mobilfunk oder Satellitenfunk ist denkbar.

Eine PMD-Kamera zusammen mit einer 2D-Kamera wurde mit einem definierten Neigungswinkel in das mobile Fahrzeug integriert. Dabei wurden der Eindeutigkeitsbereich (7,5 m), der optische Öffnungswinkel und die Montagehöhe der PMD-Kamera berücksichtigt. Aus dieser Perspektive nimmt die PMD-Kamera stets Hindernisse und Fahrweg des Frontbereichs des mobilen Fahrzeugs insgesamt auf. Eine Unterscheidung zwischen Hindernissen und Fahrweg innerhalb des PMD-Videobildes ist notwendig. Auch muss zwischen sog. negativen und positiven Hindernissen differenziert werden. Für eine echtzeitfähige Separierung von Fahrweg, negativen und positiven Hindernissen müssen bei jedem PMD-Videobild der Neigungswinkel der PMD-Kamera sowie der Pitch- und der Roll-Winkel des mobilen Fahrzeugs berücksichtigt werden.

Nach erfolgter Extrahierung der negativen und positiven Hindernisse wird das PMD-Videobild in gleich große vertikale Segmente unterteilt. Daraus wird das Segment (Segment-Nummer) ermittelt, welches die kleinste Distanz inne hat. Die Segment-Nummer und der minimale Distanzwert stellen die linguistischen Eingangsvariablen zweier Fuzzy-Logic-Reger dar. Nach der Fuzzifizierung folgt die Fuzzy-Inferenz, in der die Fahrmanöver zur Hindernisvermeidung linguistisch formuliert sind. Die daraus resultierenden Ergebnisse werden in der Defuzzifizierung schließlich in konkrete Motorsteuerungssignale umgesetzt. Mit Hilfe dieser Schritte ist eine Navigation ohne Umgebungskarte und ohne Pfad- bzw. Bahnregelung realisierbar. Das mobile Fahrzeug kann damit bereits für ungesteuertes Fahren bzw. Zufallsfahren für Explorationsaufgaben genutzt werden.

Erst mit der Verfügbarkeit einer Selbstlokalisierung, hier speziell der relativen Selbst-lokalisierung und Koppelnavigation, sind Pfad- / Bahnfahren und Kartengenerierung möglich. Fahrbewegungen eines mobilen Fahrzeugs können durch Lageänderungen von Objekten bzw. deren markanten Merkmalen innerhalb der PMD-Videobildfolge einer PMD-Kamera beobachtet werden. Diese Lageänderungen gilt es stets innerhalb zweier aufeinander folgender PMD-Videobilder zu bestimmen. Proble-matisch dabei ist jedoch, die markanten Merkmale des ersten PMD-Videobildes im zweiten PMD-Videobild wieder zu finden und einander zuzuordnen. Aus diesen Lageänderungen können dann Translationsvektor und Rotationsmatrix bzw. die Poseänderung (Position und Orientierung) des mobilen Fahrzeugs errechnet werden.

Markante Merkmale innerhalb der beteiligten PMD-Videobilder lassen sich u.a. mit Hilfe des sog. Moravec- bzw. Interest-Operators extrahieren. Die Korrespondenz-bildung zwischen beiden Merkmalspunktmengen kann nun mit Hilfe der Euklidischen Distanz bzw. der Euklidischen Norm erfolgen. Auf Basis dieser Paarbildungen können mittels der Einheitsquaternionen-Methode für 3D-Bewegungen oder mittels der HAYAI (Highspeed And Yet Accurate Indoor/outdoor-tracking) -Methode für 2D-Bewegungen nun die gesuchte Rotationsmatrix und anschließend der Translationsvektor bestimmt werden. Translationsvektor und Rotationsmatrix weisen Fehler auf, die mit Hilfe der ICP (Iterative Closest/Corresponding Points) -Methode iterativ verringert werden können.

Einfache Fahrmanöver, Hinderniserkennung und -vermeidung, Selbstlokalisation, Pfad- / Bahnfahren, usw. lassen sich miteinander kombinieren und somit teilautonome Funktionen kreieren. Eine hierarchische Zusammenstellung zeigt den Übergang von reiner Fernsteuerung, über teilautonome und autonome Funktionen bis hin zu brauchbaren Dienstleistungen eines mobilen Fahrzeugs.
AU  - Prusak, Alexander
DA  - 2012
KW  - Mobiler Roboter
KW  - Navigation
KW  - PMD-Kamera
KW  - 3D-Bildverarbeitung
KW  - Quaternion
KW  - Mobile robots
KW  - navigation
KW  - PMD camera
KW  - 3D image processing
KW  - quaternion
LA  - ger
PY  - 2012
TI  - Einsatz der PMD-Kamera in der mobilen Robotik für die Hinderniserkennung und -vermeidung sowie für die Selbstlokalisierung
TT  - Use of the PMD camera in mobile robotics for obstacle detection and obstacle avoidance as well as for self-localization
UR  - https://nbn-resolving.org/urn:nbn:de:hbz:467-7330
Y2  - 2024-11-22T04:55:47
ER  -