Navigation mobiler Roboter im industriellen Umfeld : Lokalisierung und Kartierung in dynamisch veränderlichen Indoor-Umgebungen

Abstract

Die Mobilität von Robotern ist eines der zentralsten und technisch herausforderndsten Elemente, wenn es darum geht diese stärker in unseren Alltag und unser Arbeitsumfeld zuintegrieren. Um beispielsweise den Automatisierungsgrad einer Produktionsanlage weitersteigern zu können, muss neben den stationären Produktionsschritten auch der Materialund Werkzeugfluss zwischen den einzelnen Anlagenteilen automatisiert ablaufen. Die dafüreingesetzten Fahrerlosen Transportfahrzeuge, kurz FTF, navigieren konventionell überfest installierte Orientierungspunkte, sogenannte künstliche Landmarken. Um den Installationsaufwand zu minimieren und die Flexibilität der Anlage zu erhöhen, befasst sichdie aktuelle Forschung jedoch zunehmend mit der Navigation mittels Laserscandaten undnatürlich vorhandener Landmarken bzw. Konturen. Bei der konturbasierten Navigationmithilfe eines Lasers muss sowohl eine Umgebungskarte erstellt, als auch gleichzeitigdarin lokalisiert werden, was in der Literatur als Simultaneous Localization and MappingProblem, kurz SLAM, bekannt ist. Da Lokalisierung und Mapping stark voneinanderabhängen, eine präzise Lokalisierung erfordert eine genaue Karte und umgekehrt, setzendie meisten Lokalisierungsmethoden auf eine einmal initial aufgenommene Umgebungskarte, in der während des Betriebs nur noch lokalisiert wird. Sie setzten dadurch allerdingsautomatisch eine nicht veränderliche, also statische Umgebung voraus. Diese Annahmetrifft jedoch nicht auf den typischen Einsatzort eines FTF zu.Das Ziel dieser Arbeit ist es daher präzise und robuste FTF-Navigation auch in dynamisch veränderlichen Umgebungen, speziell im industriellen Umfeld, zu ermöglichen.Dazu wird der weit verbreitete Ansatz einer Monte Carlo Lokalisierung, kurz MCL, ineiner statischen, gridbasierten Umgebungskarte (Occupancy Grid Map) erweitert. Dasin dieser Arbeit vorgestellte Konzept „Dynamic Mapping“ hält durch einen, in der MCLeingebetteten, dynamischen Kartenaktualisierungsschritt, die Karte stets auf dem aktuellen Stand. Dadurch können auch temporär vorhandene semistatische Objekte in derKarte dargestellt und somit die Lokalisierungsgenauigkeit des FTF verbessert werden.Zur Kartenaktualisierung wurden zwei verschiedene Konzepte erstellt, wobei eines diesemistatischen Objekte aufgrund deren Häufigkeit und das andere diese aufgrund derenDauer, mit der sie vom Laserscanner wahrgenommen werden, aktualisiert. Des Weiterenwurde, da bei wiederholten Aktualisierungsvorgängen stets mit Kartendrift zu rechnenist, eine Methode zur Driftkompensation entwickelt. Durch die weitere Kombinationdieser Methoden wurden insgesamt sechs verschiedene Varianten evaluiert. Vorab wurdendafür Testdaten sowohl in einer Simulationsumgebung als auch mit einem realen FTFaufgenommen. Von den sechs evaluierten Kombinationen eignen sich mehrere gut fürdie praktische Anwendung. Allerdings müssen diese für einen erfolgreichen Einsatz stetsdie Methode zur Driftkompensation enthalten. Sind die Verbesserungen des DynamicMappings hinsichtlich der Lokalisierungsgenauigkeit in einer nur leicht veränderlichenUmgebung mit einer Umgebungsänderung von maximal 22 % noch vernachlässigbar klein, so werden diese umso größer, je stärker sich die Umgebung ändert. Beim Einsatz desDynamic Mappings in einer Umgebung mit einer Umgebungsänderung von bis zu 87 % ,konnte das FTF den Kurs über die gesamte Testdauer halten. Beim Fall der statischenKarte hingegen, kommt das FTF schon bei einer Umgebungsänderung von etwa 49 %vom Kurs ab. Am Ende der Arbeit kann schließlich noch gezeigt werden, dass DynamicMapping nicht nur bei Daten aus einer Simulationsumgebung, sondern auch bei realenTestdaten die gewünschten Ergebnisse liefert.

The mobility of robots is one of the most central and technically challenging elements whenit comes to integrating them more closely into our everyday life and work environment.Take for example a typical industrial plant, which usually makes use of highly automatedstationary production stages. The next step to increase the overall degree of automationeven further, is to automate the material and tool flow between the individual stages aswell. For these transportation tasks mobile robots represent a key element. These so-called,Autonomous Guided Vehicles (AGVs) conventionally navigate via permanently installedreference points, so-called artificial landmarks. However, to decrease the installation effortand increase the flexibility of the plant, current research focuses exceedingly on laser-basednavigation using pre-existing landmarks or contours. This contour-based laser-navigationis challenging though as a map of the environment must be generated while it is usedfor localization at the same time. In literature this challenging issue is known as theSimultaneous Localization and Mapping Problem, short SLAM. Since localization andmapping are highly interdependent, precise localization requires an accurate map and viceversa, most localization methods rely on an initially recorded map of the environment.During operation, the AGV then solely uses this map to localize. However, this approachthereby automatically presumes an unchangeable, static environment regardless of thefact, that this assumption does not apply to a typical industrial plant.Therefore, the aim of this thesis is to enable precise and robust AGV-navigation indynamically changing environments, particularly with regards to the demands of industrialsettings. For this purpose, the widely-used combination of a Monte Carlo Localization(MCL) and a two-dimensional occupancy grid map representation of the environment isfurther advanced. The concept of „Dynamic Mapping“ presented in this thesis introduces adynamic map update step, embedded in the MCL itself, to keep the map of the environmentup to date at all times. This way, not only static but also temporarily present semi-staticobjects can be shown on the map, leading to an improvement in the AGVs localizationaccuracy. For this thesis, two different methods for the dynamic map update step weredeveloped. While one method updates the semi-static objects in the environment basedon their frequency of occurrence, the other one updates them based on the duration withwhich they are perceived by the laser scanner. Furthermore, since map drift is always to beexpected in the case of repeated map update processes, a method for drift compensationwas developed. By combining these methods, a total of six different variants were evaluated.In advance, test data was recorded both in a simulation environment and by using a realAGV. The evaluations reveal that several of the six variants of Dynamic Mapping arewell suited for practical use. However, for a successful application, the drift compensationmethod must be used. When Dynamic Mapping was applied in an only slightly changingenvironment with an environmental change ratio of 22 % at most, the improvementsregarding the localization accuracy were rather insignificant. However, as the amount of change in the environment was increased, the improvements of the Dynamic Mappingincreased as well. When Dynamic Mapping was applied in a heavily changing environmentwith an environmental change ratio of up to 87 %, the AGV was able to stay on thespecified path over the entire duration of the test run. Contrarily, in the case of a staticmap the AGV already deviated from the path at a much lower environmental changeratio of only 49 %. At the end of this thesis, the applicability of Dynamic Mapping is notonly shown for data from a simulation environment, but also for real AGV-data.