Методы кинематического и динамического анализа навигационной системы складского робота на меканум колесах тема диссертации и автореферата по ВАК РФ 00.00.00, кандидат наук Пшибиев Артур Мартинович

• Пшибиев Артур Мартинович
• кандидат наук
• 2026

Оглавление диссертации кандидат наук Пшибиев Артур Мартинович

ВВЕДЕНИЕ

1 СОСТОЯНИЕ СОВРЕМЕННОГО РЫНКА РОБОТОТЕХНИЧЕСКИХ ПРОДУКЦИЙ В СТРУКТУРЕ ЛОГИСТИКИ

1.1 Анализ рынка роботизированной погрузочной техники

1. 2 Классификационные характеристики складов

1.3 Необходимые и достаточные условия для автоматизации транспортировщиков

1.3.1 Работа транспортировщика паллет с автоматизированным управлением

1.3.2 Работа транспортировщика паллет с автоматическим управлением

1.4 Анализ алгоритмов локализации автоматической системы

1.5 Теоретические основы автоматического управления транспортировщиком паллет

1.5.1 Разработка конечного автомата для управления ТП

1.5.2 Разработка алгоритма локализации и распознавания объекта

1.6 Кинематический и динамический анализ мобильных платформ

1.6.1 Дифференциальная кинематика

1.6.2 Рулевая кинематика

1.6.3 Меканум кол есная кинемат ика

1.7 Выводы к разделу

2 СИНТЕЗ НАВИГАЦИОННОЙ СИСТЕМЫ ТРАНСПОРТИРОВЩИКА ПАЛЛЕТ

2.1 Методика разработки навигационной системы складского робота с использованием искусственного интеллекта

2.2 Кинематический анализ, методика и проведение экспериментальных исследований перемещений робота-навигатора на меканум колесах

2.3 Экспериментальные исследования движения модели грузоподъемного средства на меканум колесах

2.4 Генерация новой настройки алгоритма движения модели грузоподъемного средства на меканум колесах

2.5 Алгоритм локализации автономного сервисного робота-навигатора на меканум колесах в среде подвижных объектов

2.6 Методика оценки алгоритма локализации

2.6.1 Метрики оценки работы алгоритма

2.6.2 Тестирование алгоритма локализации

2.7 Выводы по разделу

3 ЭКСПЕРИМЕНТАЛЬНЫЕ ИССЛЕДОВАНИЯ АВТОМАТИЧЕСКОГО

УСТРОЙСТВА ТРАНСПОРТИРОВКИ ПАЛЛЕТ ПРИ ДВИЖЕНИИ

3.1 Испытания АЛ при движении транспортировщика паллет с

помощью AUM

3.1.1 Добавление шумов в показания датчиков в симуляции

3.1.2 Порядок проведения испытаний

3.1.3 Экспериментальная часть оценки локализации

3.2 Фильтр входящих показателей датчиков

3.2.1 Симуляция АЛ с фильтром скользящего среднего

3.3 Алгоритм локализации методом Монте-Карло

3.3.1 Выбор планировщика пути

3.4 Планировщик пути

3. 5 Практическая реализация

3.6 Выводы к разделу

ЗАКЛЮЧЕНИЕ

СПИСОК СОКРАЩЕНИЙ И УСЛОВНЫХ ОБОЗНАЧЕНИЙ

СПИСОК ЛИТЕРАТУРЫ

ПРИЛОЖЕНИЕ А

ПРИЛОЖЕНИЕ Б

Введение диссертации (часть автореферата) на тему «Методы кинематического и динамического анализа навигационной системы складского робота на меканум колесах»

ВВЕДЕНИЕ

Актуальность темы исследования. Необходимость роботизации погрузчиков паллет продиктована условиями снижения затрат при многократном повторении маршрутов транспортировки грузов по территории склада с наличием подвижных и неподвижных препятствий, увеличением эффективности выполнения погрузочно-разгрузочных операций, а также уменьшением показателей издержек, увеличением товарооборота склада. Не смотря на явные преимущества роботизации складских работ отмечено, что в российском секторе роботизации основное внимание направлено на создание новых складских пространств, оставляя без внимания существующие вполне адаптируемые под роботизацию после незначительной модернизации. Для реализации необходимо проведение моделирования различных сценариев работы роботизированных систем, обеспечивая гибкость и адаптивность в управлении процессами на уже существующих и «морально» устаревших складах, что требует разработки новых алгоритмов для создания навигационной системы складского робота. Учитывая частичную ограниченность свободного пространства в существующих складских помещениях для перемещения робота (транспортировщика паллет) целесообразно в качестве средства его передвижения использовать платформу на меканум колесах, маневренность которой существенно выше, чем у трех- и четырехколесных платформ, что требует повышенной точности определения местоположения робототехнических средств в пространстве склада.

Из вышесказанного установлена актуальность темы исследований, связанной с исследованиями кинематического и динамического анализа навигационной системы складского робота на меканум колесах для создания наиболее эффективных моделей взаимодействия между роботизированными системами и существующими складскими процессами.

Степень разработанности темы исследования. Вопросами совершенствования методов навигации мобильных роботов с использованием локализации Монте-Карло, колесной одометрии и фидуциальных маркеров

занимались и занимаются ведущие специалисты в России (О. А. Степанов, С. П. Дмитриев, К. С. Яковлев, Г. А. Михайлов, Е. С. Борисов и др.) и за рубежом (С. Тран (S. Thrun), Д. Фокс (D. Fox), В. Бургард (W. Burgard), А. Б. Кремерс (A. B. Cremers), Д. Шульц (D. Schulz) и др.).

Несмотря на наличие значительного количества работ, посвященных разработке и применению методов локализации Монте-Карло, колесной одометрии и фидуциальных маркеров для навигации мобильных роботов, многие вопросы остаются нерешенными и требуют усовершенствования методов на основе теоретических подходов с учетом факторов интеграции различных навигационных систем, повышения надежности в динамических средах и обеспечения точности локализации в условиях неопределенности, которые не полностью предусмотрены существующими подходами.

Объектом исследования является складской робот на меканум колесах для погрузочно-разгрузочных работ в частично детерминированном пространстве.

Предметом исследования является методы разработки алгоритмов навигационной системы складского робота на меканум колесах для работы в ограниченном пространстве.

Цель работы. Разработка алгоритмов и методов кинематического и динамического анализа навигационной системы складского робота на меканум колесах для ведения работ в частично детерминированном пространстве.

Для достижения поставленной цели необходимо решить следующие задачи:

- провести анализ существующих складских хозяйств для решения вопроса о возможности использования в них роботизированных комплексов, а также выявить ограничения в зоне работы складского робота;

- провести анализ систем навигации роботов и алгоритмов локализации автоматических систем;

- разработать и обосновать алгоритм локализации робота погрузчика паллет на основе вероятностного алгоритма локализации Монте-Карло;

- разработать методику проведения численного и натурного экспериментов по обоснованию алгоритма локализации робототехнической системы на меканум колесах;

- разработать мероприятия, конструктивные решения и навигационную систему складского робота на меканум колесах в частично детерминированном пространстве.

Научная новизна исследования. В диссертации осуществлено решение научной задачи по разработке методики системы навигации и алгоритма локализации робота погрузчика паллет на меканум колесах.

Основными элементами научной новизны исследования являются следующие:

- разработан комплексный подход к внедрению роботизированных технологий для создания эффективных моделей взаимодействия между роботизированными системами и существующими складскими погрузочно-разгрузочными работами;

- на основе принципов модульности и достижения максимальной надёжности функционирования предложена методика разработки навигационной системы складского робота с использованием искусственного интеллекта при разработке обобщенной архитектуры навигационной системы робота для распознавания подвижных и неподвижных объектов;

- разработана модель обобщенной архитектуры автономного управления навигационной системы, позволяющая определять траекторию движения робота;

- предложен теоретически и экспериментально подтвержден алгоритм локализации робота на меканум колесах;

- разработан метод кинематического и динамического анализа навигационной системы складского робота;

- предложены мероприятия, разработка конструкции и навигационная система складского робота на меканум колесах в частично детерминированном пространстве.

Теоретическая значимость исследования состоит в разработке:

- алгоритма локализации робота погрузчика паллет на основе вероятностного алгоритма локализации Монте-Карло;

- математической модели и алгоритма автономного управления навигационной системы робота, позволяющих определять траекторию движения мобильного робота, основываясь на вариации угловых и линейных скоростей колес при различных положениях и перемещениях в пространстве с возможностью фиксирования траекторий его движения оператором.

Практическая значимость работы состоит в разработке:

- метода оценки алгоритма локализации по методу Монте-Карло по разработанной распределенной архитектуре для локализации мобильного робота обеспечивающей параллельную обработку и обмен информацией между вычислительными узлами;

- конструкции макета робота с использованием разработанных методов кинематического и динамического анализа навигационной системы.

Методология и методы исследования. В диссертационной работе использованы основные положения робототехники, теории позиционирования, систем навигации, основных положения кинематических и динамических процессов в транспортных средствах на меканум колесах, теории генерации управляющих сигналов, основные положений теоретической механики.

Положения, выносимые на защиту:

- методика разработки навигационной системы складского робота с использованием искусственного интеллекта с разработкой обобщенной архитектуры навигационной системы робота для их распознавания;

- модель обобщенной архитектуры автономного управления навигационной системы робота, позволяющая определять траекторию движения робота;

- алгоритм локализации робота на меканум колесах;

- метод кинематического и динамического анализа навигационной системы складского робота;

- мероприятия и конструктивное решения для навигационной системы складского робота на меканум колесах в частично детерменированном пространстве.

Степень достоверности и апробация результатов обеспечиваются:

- применением научной методологии и использованием классических достижений в области робототехники;

- апробацией и сходимостью научных результатов с доверительной вероятностью не менее 0,95 и величиной коэффициента рассеяния близкого к единице.

1 СОСТОЯНИЕ СОВРЕМЕННОГО РЫНКА РОБОТОТЕХНИЧЕСКИХ ПРОДУКЦИЙ В СТРУКТУРЕ ЛОГИСТИКИ

1.1 Анализ рынка роботизированной погрузочной техники

Рынок востребованности робототехнической продукции в области погрузочной техники за период с 2014 по 2021 годы вырос более чем в 10 раз [1]. К разновидности погрузочной техники относятся транспортировщики паллет: устройства, предназначенные для перемещения грузов на паллетах (рисунок 1.1).

Рисунок 1.1 - Транспортировщик паллет с ручным управлением

Транспортировщики такого типа, как правило с ручным или электрическим приводом - рохли (производителем является фирма «Rocla») нашли широкое применение при перемещении грузов на складах магазинов.

Использование погрузчиков в складских помещениях при выполнении операций по перемещению грузов сопряжено с небезопасной работой для обслуживающего персонала.

По данным ассоциации промышленного транспорта (ITA) США [2], на предприятиях задействовано более 855 тыс. складских вилочных погрузчиков, при использовании которых происходит около 100 тыс. несчастных случаев в год.

Внедрение автоматической системы управления на транспортировщиках паллет позволят:

- снизить затраты при необходимости преодоления протяженных транспортных маршрутов, частых перевозок, многосменной работы, разгрузки производственного конвейера или подачи деталей на сборку;

- увеличить эффективность хранения продукции, выполнения операций и эффективность управления складом (улучшение качества и повышение производительность работы);

- уменьшить показатели издержек;

- увеличить оборот склада;

- снизить травмоопасность.

Однако, несмотря на очевидное преимущество роботизации складов очень немногие компании не спешат внедрить робототехнику на своих предприятиях, так как этот процесс длителен по времени и требует значительных капиталовложений.

Компаний в России, занимающихся автоматизацией технологических предприятий мало. Наиболее заметные среди них (рисунок 1.2) расположенные в центральной части Российской Федерации (РФ).

Однако, на сегодняшний день не все компании готовы к осуществлению заявленного процесса (рынок России), так как для компаний высокая стоимость автоматизации оборудования связана с тем, что необходимо перестраивать и переоборудовать склады компаний (таблица 1.1).

■ Прочие

■ Почта РФ

■ Wildberries

■ X5 Group

■ Ozon

■ Магнит

■ Яндекс

Рисунок 1.2 - Долевое участие в роботизации логистики в РФ

Таблица 1.1 - Состояние готовности российских компаний к процессу роботизации

№ п/п Компания Местонахождение Состояние Источник

1 Wildberries Подольск Тестирование [3] рисунок 1.2

2 Wildberries Коледино Планирование [3]

3 OzonИннополис Казань Разработка [4] рисунок 1.3

4 Яндекс Москва Эксплуатируется [5] рисунок 1.4

5 X5 Group Москва Разработка [6]

6 Магнит Московская область Планируется [7]

7 Лемана ПРО Москва Планирование [8] рисунок 1.5

8 Газпромнефть Москва Планирование [9]

9 Почта России Санкт-Петербург Планирование [10]

10 FM Logistic Москва Разработка [11]

На рисунках 1.3 - 1.6 видно, что роботизация требует значительных инвестиций в оборудование, инфраструктуру и программное обеспечение. Учитывая сложившиеся в стране экономические трудности, задержку инвестирования или, вообще, сворачивание многих проектов, из таблицы 1.1 и на рисунке 1.2 очевидно, что многие проекты длительное время находятся на стадии планирования или разработки.

В настоящее время внедрение робототехнических решений в складскую логистику сталкивается с рядом существенных ограничений, несмотря на очевидные преимущества автоматизации. Например, компания Wildberries в Подольске проводит тестирование роботов на складе, однако полномасштабное внедрение задерживается из-за высоких затрат на масштабирование технологии — требуется не только приобретение оборудования, но и переобучение персонала, адаптация ПО, а также создание резервных систем на случай сбоев. Склад Коледино также пока находится лишь на этапе планирования ввиду финансовых ограничений. К тому же, многие компании сталкиваются с необходимостью модернизации уже построенных объектов инфраструктуры под новые технологические стандарты. Например, склад маркетплейса Ozon (г. Казань) находится на стадии разработки, поскольку процесс реконструкции существующего склада и интеграция новых технологий требуют значительного времени и ресурсов.

Рисунок 1.3 -Автоматизации складов Wildberries

Рисунок 1.4 - Автоматизация складов Ozon

Рисунок 1.5 - Автоматизация склада Яндекса, логистические операции

Рисунок 1.6 - Автоматизация сборки Лемана ПРО

Анализ степени и статусов роботизации складских хозяйств на зарубежном приведены в таблице 1.2 [12]. Очевидно, что немногие компании способны позволить себе полностью переоборудовать склад под автоматизацию.

Из таблицы 1.2 можно сделать вывод о том, что больший процент иностранных компаний используют и эксплуатируют роботов на складах, нежели в Российской Федерации, так как зарубежные компании внедряют роботов на существующие склады. Однако, Amazon Robotics построил отдельный логистический роботизированный склад, именно по этому пути пошли многие российские компании, что показано в таблице 1.2.

Таблица 1.2 - Состояние готовности международных компаний к процессу роботизации

№ п/п Компания Местонахождение (город) Статус

1 Swisslog Баден, Швейцария Разработка, внедрение

2 Amazon Robotics (Kiva) Северная Америка (Сиэтл) Усовершенствование, эксплуатация

3 Dematic США Разработка, тестирование

4 Honeywell Intelligrated США (Шарлотт) Разработка, внедрение

5 Symbotic США Разработка

6 Geek+ Китай (Пекин) Разработка, внедрение

7 Fetch Robotics США (Плезантон) Эксплуатация

8 Locus Robotics США (Вустер) Эксплуатация

9 Aethon Tugger США Эксплуатация

Отрасль складской робототехники динамичная и быстро растущая вертикаль логистики. Компании, перечисленные выше, являются лишь несколькими из многих, которые лидируют в разработке и развертывании решений складской робототехники. Поскольку предприятия продолжают искать способы автоматизации своей деятельности и повышения эффективности, мы можем ожидать еще больше инноваций в этом пространстве в ближайшие годы. Среди зарубежных фирм в качестве примера можно рассмотреть предприятие Jungheinrich. Компания автоматизирует стандартную технику, создавая беспилотную автоматическую и полуавтоматические транспортные средства, которые безопасно и эффективно выполнят любую задачу по перемещению груза [13]. Беспилотные транспортные системы Jungheinrich работают с помощью программируемых электронных компонентов, обеспечивая эффективную и надежную круглосуточную транспортировку паллет (рисунок 1.7).

Преимуществом их использования являются высокие точность и безопасность транспортировки. К недостаткам можно отнести высокие стоимость оборудования и обслуживания.

Рисунок 1.7 - Автоматические транспортировщики паллет Jungheinrich

В качестве примера также рассмотрено предприятие RoboCV (рисунок 1.8), идея которой состоит в создании роботизированных систем для широкого спектра логистических задач внутри складов и заводов.

Рисунок 1.8 - Автоматический транспортировщик паллет компании RoboCV

В частности, компания RoboCV занимается установкой системы автоматизации на складские погрузчики. Производимые ею автопилоты пользуются популярностью, но в этой нише участвует очень мало компаний, именно поэтому их системы управления очень дорогостоящие, что небольших предприятий цена за автопилот является неподъемной [14].

Одним из достоинств использования автопилотов являются высокие универсальность, точность выполнения операций и безопасность. К недостаткам относятся - высокая цена за представленное решение.

Из сказанного выше очевидно, что:

- автоматизацией и роботизацией складов занимаются только корпорации, у которых есть большое количество ресурса на строительство новых, а не переоборудование существующих складов под конкретный процесс роботизации;

- в настоящее время в России все решения проведения роботизации существующих складов находятся либо в состоянии планирования, либо ограниченного тестирования на специализированно построенных складах;

- в существующих роботизированных складах, проектируемых в России, отсутствуют дублирующие системы автономного перемещения мобильных роботов с помощью систем навигации.

1.2 Классификационные характеристики складов

В разделе 1.1 отмечено то, что большинство складов в России - не приспособлены к прямой автоматизации и роботизации, однако необходимо составить классификацию типов складов [15] (таблица 1.3). На основании данных, представленных в таблице 1.3, можно констатировать, что классификация складских объектов является многокритериальной и позволяет систематизировать их по ряду ключевых признаков, определяющих их функциональное и технологическое назначение.

Проведенный анализ таблицы 1.3 показал, что склады классифицируются по:

- по конструктивным особенностям - от открытых площадок до капитальных зданий, что непосредственно влияет на номенклатуру хранимых товаров и условия их сохранности;

- по признаку принадлежности и функционального профиля - выделяются склады, интегрированные в конкретные хозяйственные процессы

(производственные, торговые, логистические, резервные), что подчеркивает их специализацию в цепях поставок;

- по способу хранения - на специализированные, универсальные и смешанного ассортимента, что отражает степень адаптивности складских мощностей к товарной номенклатуре;

- по уровню технологического оснащения - от немеханизированных до полностью автоматизированных, что свидетельствует о градации сложности операционных процессов и потенциальной производительности.

Таблица 1.3 - Типы складов по критериям классификации

№ п/п Критерий классификации Типы склада Описание

1 По типу конструкции Открытые, полузакрытые, закрытые Открытые — благоустроенные площадки без стен на открытом воздухе; полузакрытые — с навесами, без боковых стен; закрытые — капитальные здания с технологическим оснащением

2 По принадлежности и назначению Производственные, транзитно-перевалочные, оптовые, розничные, таможенные, резервные Специализированные под задачи и функции предприятия или торговли

3 По способу хранения грузов Специализированные, универсальные, смешанного ассортимента По ассортименту хранимых товаров и условий хранения

4 По степени механизации Немеханизированные, механизированные, автоматизированные, автоматические От простого хранения вручную до полного цикла автоматизации процессов

Проведенная классификация является основой комплексной оценки складского объекта, позволяя идентифицировать его место и роль в логистической системе, а также определять направления для его возможной модернизации и оптимизации в зависимости от стоящих перед предприятием задач.

Анализ степени роботизации складов в России по классификационным показателям складов представлен в таблице 1.4.

Таблица 1.4 - Распределение типов складов по миру и по России

№ п/п Тип склада Доля в мире, % Доля в России, %

1 Закрытые склады 70 65

2 Полузакрытые склады 15 20

3 Открытые склады 15 15

4 Автоматизированные склады 25 (растущая доля) 2-4 (активный рост)

В Российской Федерации доля закрытых и полузакрытых складов составляет около 80 %, из которых 2-4 % являются автоматизированными (таблица 1.4), но не полностью. Ключевая проблема такого низкого процента автоматизации - это потребность корпорации в полном переоборудовании склада и постройки нового (специально автоматизированного под роботов) [16]. Также стоит отметить, что логистические операции в закрытых и полузакрытых складах занимают около 75 % всех операций и заключаются они в том, чтобы переместиться из одной точки склада в другую. Для достижения этой цели необходимо преодолеть определенные статические и динамические препятствия. Сейчас этой операцией занимается человек на специализированном транспортировщике.

Стоит также отметить, что ключевое отличие, имеющее стратегическое значение для планирования внедрения, заключается в катастрофически низкой доле автоматизированных складов в России (2-4 %) против общемировой (25 %) [17], несмотря на отмечаемый активный рост. Это указывает на значительный потенциал для технологической модернизации и перевода существующих механизированных закрытых складов на новый уровень автоматизации.

Также, согласно всемирной классификации складов [18], Knight Frank разделяет все складские помещения на следующие ключевые классы, отражающие технические и эксплуатационные характеристики объектов без привязки к расположению, но с учетом транспортной доступности. Каждый класс имеет набор параметров, позволяющих четко отнести объект к соответствующей категории.

Таблица 1.5 - Классификация складов по стандарту Knight Frank

Класс склада Основные характеристики

А+ Современные одноэтажные здания из металлоконструкций и сэндвич-панелей, без колонн или с шагом колонн > 12 м, высота потолков > 13 м, нагрузка на пол > 5 т/м2, антипылевой бетонный пол, регулируемый температурный режим, автоматизированные пожарная и охранная сигнализация, современная вентиляция, автономные энергетические системы, dock shelters (мин. 1 на 500 м2), полноценные офисы и вспомогательные помещения, круглосуточная охрана, оптоволоконные телекоммуникации, хорошее расположение, наличие ж/д ветки.

А Похож на A+, но менее строгие требования: шаг колонн от 9 м, высота потолков от 10 м, dock shelters (мин. 1 на 1000 м2), аналогичные офисные и вспомогательные помещения, охрана, телекоммуникации, расположение близко к трассам, наличие ж/д ветки.

B+ Современные одноэтажные или реконструированные здания с высотой потолков > 8 м, антипылевой бетонный пол, dock shelters (1 на 1000 м2), наличие офисных и вспомогательных помещений, менее строгие требования к энергетическим и инженерным системам, круглосуточная охрана, допустимо некоторое снижение стандартов относительно класса А.

B Одно- или многоэтажное вновь построенное или реконструированное помещение, высота потолков > 6 м (или > 8 м для новых), асфальтовый или бетонный пол без антипылевого покрытия, грубые лифты/подъемники, простая охрана, вентиляция, пандусный въезд, возможно наличие ж/д ветки.

C Капитальное производственное помещение или утепленный ангар, высота потолков >4 м, асфальтовый или бетонный пол, простые грузовые лифты, простая охрана, вентиляция, пожарная сигнализация, возможно наличие ж/д ветки.

D Подвальные или неотапливаемые помещения, объекты ГО, некапитальные ангары, минимальная инфраструктура: безопасность, вентиляция, пожарная сигнализация, возможно наличие ж/д ветки.

По стандарту Knight Frank, на рынке России самым распространённым типом складских помещений являются склады класса А. Именно они преимущественно строятся в последние годы, поскольку соответствуют высоким требованиям арендаторов и обладают максимальной ликвидностью - особенно в крупнейших городах и основных логистических узлах страны. Примерно 54 % качественного складского фонда приходится на класс А, особенно в Московском регионе, Санкт-Петербурге и крупных городах. Склады класса B и C встречаются реже — они представлены в региональных центрах, индустриальных зонах и старых производственных недвижимости. Склады класса D практически не встречаются в новых проектах и характеризуют устаревшие, низкокачественные помещения [19].

Таким образом, для эффективного внедрения роботизированных мобильных

платформ целесообразно фокусироваться на сегменте закрытых складов, который является преобладающим и структурно готовым к подобным инновациям. Одновременно с этим, крайне низкая распространенность автоматизации подтверждает актуальность и высокую экономическую целесообразность разработки и внедрения решений с мобильной роботизированной платформой, которые могут стать драйвером преодоления технологического отставания и повышения производительности логистических комплексов в России.

На рисунках 1.9 - 1.12 приведены типовые схемы складов, на которых необходимо совершать логистические операции [20-22]. Чаще всего операция перед транспортировщиком: доставка груза из зоны погрузки в зону распределения/разгрузки.

Рисунок 1.9 - Схема логистического промышленного закрытого склада

Рисунок 1.10 - Схема склада-зоны выдачи

Рисунок 1.11 - Схема склада-зоны выдачи

Автомобильная рампа Рисунок 1.12 - Схема склада-зоны выдачи

Как видно на рисунках 1.9 - 1.12 схемы закрытых складов совершенно разные, что говорит о том, что необходимо проектировать универсальную роботизированную систему для автономного перемещения на складах и реализации задачи перемещения по маршруту: Зона погрузки - Склад - Зона разгрузки.

Для исследований был принят наиболее часто встречающийся тип складского помещения закрытого типа - склад компании «Лемана ПРО» [23].

Наиболее часто встречающейся операцией на подобных складах - является перемещение груза из какого-либо отдела на карте, в зону доставки или хранения (выдачи интернет-заказов) (рисунок 1.13).

Рисунок 1.13 - Схема склада Лемана ПРО

Исходя из вышесказанного можно сделать вывод о том, что на данный момент большинство складов в России - закрытого типа, а уровень автоматизации

достаточно маленький. Ключевые причины такой низкой автоматизации -переоборудование складов под роботизацию и автоматизацию. Это приводит к дороговизне внедрения роботизации на склады. К тому, же склады, которые не приспособлены к автоматизации в данный момент времени не автоматизируются, так как подобный вид работ не внедряется на промышленные масштабы.

Список литературы диссертационного исследования кандидат наук Пшибиев Артур Мартинович, 2026 год

/ 1

/

/ / >

/_ /

-—

-1,5

-1,0

-0,5

0.0

0.5

1.0

Рисунок 3.4 - Наложенные два графика: реальной позиции ТП (синий), позиции ТП с добавлением ошибок (оранжевый)

На рисунке 3.4 видно, что при начальных значениях ошибка практически не заметна, но со временем она увеличивается.

Для оценки точности позиционирования и алгоритма локализации необходимо ввести оценки распознавания позиции. Здесь была выбрана оценка по принципу среднеквадратичной ошибки (МБЕ). Местоположение определяется с помощью координат х и у. Следовательно, оценку позиции можно записать в следующем виде:

МБЕР = ^Е^ССхт - Х1)2 + (уг-у1)2),

(3.6)

где хг, уг - положение ТП в реальных условиях; х1> У1 - положение ТП при АЛ.

При разработке оценки поворота ТП для устранения неопределенности перехода из 0° в 2п, используются кватернионы, чтобы, так как при действительной двойной погрешности, расчеты могут обнулиться (погрешность равна 2п), что отразится на работе алгоритма локализации. В этом случае оценка позиции будет равна:

Чх = °

яу = 0

^ =Бт sm

в

(3.7)

Яш = С05\2.,

где в - угол вращения вокруг оси z.

Тогда выражение для оценки ориентации ТП (МБЕ0) определим по формуле:

МБЕо =

N

п

-Уш - ч1г)2 + (ЧЪ-Ч1)2),

(3.8)

}=1

где Цг, Цы - поворот ТП в реальных условиях; Чг> чЬ - поворот ТП с помощью АЛ.

В случае перехода из 0° в 2п будем иметь:

М5Е0 = ^Ц^п^м—^(соГ(2п ——со7(0Т7)) (3.9) Если ошибка бесконечно мала (2г), то необходимо воспользоваться формулой (3.6).

ч

3.1.2 Порядок проведения испытаний

Испытания проведены в следующем прядке: - объект управления (ОУ) помещается в начало координат;

- А им располагаем в центре изображения с телекамеры;

- время действия АЛ по Аим принимаем равным 1,5 мин;

- проводим оценку АЛ по MSE.

Для исключения всех сопутствующих случайных ошибок, испытания проводятся без добавления шумов.

Результаты испытаний приведены на рисунке 3.5.

Рисунок 3.5 - Статический режим АЛ

Оценка АЛ в этом случае будет равна: МБЕр = 0.0146436257458; М5Е0 = 0.000005948676.

Незначительная ошибка (рисунок 3.5, б) является результатом погрешности телекамеры (выделена синим цветом). Ошибка при определении поворота практически нулевая.

3.1.3 Экспериментальная часть оценки локализации

Оценка эффективности алгоритмов локализации (АЛ) в условиях динамического функционирования является сложной исследовательской задачей по сравнению с верификацией в статическом положении. Использование

специализированной среды разработки в робототехнической операционной системе (РОС), способствует четкому структурированию данной процедуры путем последовательного выделения соответствующих подзадач и разработки отдельных модулей для реализации этапов обработки визуальной информации от телевизионной камеры, навигационной системы автономного управляемого модуля (AUM), сигналов одометрического датчика, а также процедур расчёта координат целевых точек и относительных пространственных положений объекта относительно заданного опорного элемента AUM.

Оценка работоспособности АЛ в динамическом режиме проводится двухэтапным тестированием:

- экспериментальные исследования с фиксированным угловым движением относительно оси вращения колесного механизма;

- полигонные испытания в условиях перемещения объекта управления

(ОУ).

Первый этап экспериментальных исследований заключается в идентификации пространственного расположения мобильного робототехнического комплекса с использованием цветовых ориентиров-маркеров типа A UM.

Для верификации корректности работы системы предлагается построение множества всех зафиксированных маркерных координат в процессе непрерывного углового поворота испытуемого устройства (рисунок 3.6).

• «ruco pote О-р%J7

• «ruco ром pv? р»

• eruto ром р»-Эр4/2

-00) -О 02 -0 01 ООО 001 002 OOJ

X

Рисунок 3.6 - Расположение местонахождения распознанных положений

Подпрограмма определяла расположение местонахождения АиМ различными цветами. На рисунке 3.6 видно, что разные АиМ распознаны в местах других АиМ, что о присутствии погрешности статических испытаний.

Для детального исследования выявленных недостатков на рисунке 3.7 построен график зависимостей среднеквадратичной ошибки измерения. Выявленные значительные отклонения значений ошибок свидетельствуют о влиянии случайных факторов, приводящих к увеличению относительной дисперсии оцениваемых показателей.

Максимальное значение зафиксированной погрешности составило порядка 0,8 условных единиц, что оказывает существенное влияние на корректность итогового алгоритма локализации (АЛ). Устранение этой неопределенности является необходимым условием повышения точности выполняемых расчетов.

0.8

0.6 -

0.4

0.2

0.0

— angle estimation by aruco error

1 ||

2500 5000 7500 10000 12500 15000 17500 20000

Рисунок 3.7 - График MSE0

Оценка АЛ при этом равна:

МБЕр = 0.0149674;

М5Е0 = 0.0152748.

На втором этапе были сформированы графические зависимости, представляющие собой визуализацию результатов эксперимента. Задача идентификации текущего положения объекта управления решалась посредством метода колёсной одометрии. Принцип функционирования данного подхода

заключается в следующем: при отсутствии видимых автономных управляющих модулей объект управления осуществляет ориентацию, используя координаты последнего зарегистрированного автономного управляющего модуля, что выражается математической зависимостью:

гХьШ =

Г

— лА

уь[п] = у^

(3.10)

А

вь[П] = вг,

где х1,у1, - координаты ОУ в данный момент времени;

- координаты ОУ в момент распознавания последнего АиМ. Последующие вычисления проводим аналогично предыдущим из условия базирования относительно последней найденной точки и прибавлением приращения координаты.

На рисунке 3. 8 показано движение ОУ по испытательному полигону. Исходной точкой является начало координат, затем перемещался до правой стенки и охватывал внутренний квадрат.

...... ,

К "1

1

?

1

— геа! ро5

ипшоотрюе — агисоЫийопром 1 ......

—т——-—— ————"т

а)

б)

Рисунок 3.8 - График определения местонахождения ОУ:

по квадрату (а); по кругу (б)

На рисунке 3.8 синие точки - распознанные АиМ.

Оценка АЛ при этом равна:

МБЕР = 0.1139674; МБЕ0 = 0.1225748.

Полученные оценки АЛ в динамике получились не удовлетворительными, поэтому, рассмотрим дополнительно распределения MSE погрешностей (рисунок 3.9).

Рисунок 3.9 - Графики MSE для местоположения (верхний), для ориентации (нижний)

На рисунке 3.9 видно, что «фантомные» погрешности являются результатом добавлением погрешностей к показаниям сенсоров.

3.2 Фильтр входящих показателей датчиков

Проведенный эксперимент показал, что АЛ достаточно четко определяет позиции в неподвижном режиме, но в режиме движения имеются ошибки из-за добавленных погрешностей в показатели сенсоров. Фантомные погрешности должны быть исключены посредством фильтрации, так как их наличие оказывает существенное влияние на работу всей системы.

Предлагается выбрать фильтр скользящего среднего значения, так как случайные отклонения возникают нечасто и заданный алгоритм достаточно просто реализуется [74]. Пример отработки сигнала показан на рисунке 3.10.

О 25 50 75 100 125 150 175 200

Рисунок 3.10 - Фильтрация сигнала с помощью фильтра скользящего среднего

На рисунке 3.10 красным цветом отмечен реальный сигнал, желтым -зашумленный, синим - отфильтрованный желтый сигнал. Формула фильтра выглядит следующим образом:

у[п]=^=Ы-.1*т, (3.11)

где у[п] - скользящее среднее за п-ую итерацию;

I - количество значений в итерации;

хЩ = (хь ух, г^', ш^) - вектор смены позиции.

После выбора типа фильтра проводим симуляцию на испытательном полигоне со снятием графиков определения местоположения.

3.2.1 Симуляция АЛ с фильтром скользящего среднего

Добавив в АЛ фильтр, испытания проводятся, аналогично предыдущим:

- испытания с постоянным вращением вокруг колеса;

- испытания в движении по полигону, срезая углы.

В первом этапе испытаний с постоянным вращением вокруг своей оси: аналогично испытанию без фильтра рассматриваются результаты распознанных АиМ с применением фильтрации (рисунок 3.11).

-0.015 -0.010 -0.005 0.П00 0.005 0.010 0.015

X

Рисунок 3.11 - Расположение местонахождения распознанных AUM с применением фильтрации

На рисунке 3.11. видно, что при наличии фильтрации АЦМ обнаруживаются намного кучнее, а присутствующая погрешность уже меньше, что свидетельствует о положительной работе фильтра скользящего среднего.

Оценка АЛ при этом равна:

М5ЕР = 0.01013526; М5Е0 = 0.00847392.

2 этап испытаний.

Испытания проводятся в условиях движения ОУ по кругу из начала координат. Изменение движения и распознавания АиМ показано на рисунке 3.12.

Рисунок 3.12 - График определения местонахождения ОУ с фильтрацией

Оценка АЛ равна:

М5ЕР = 0.0328594839; М5Е0 = 0.0095351367.

Для подробного рассмотрения оценок, обратимся к графикам MSE (рисунок 3.13).

1 - « !* о* «хко МаММЮп |

» сЛ мкес! оОотесгу

ООб - л х+г

у к—

0.02 • ООО \ ■ ЛЛ

[_уч А/

с 1 200 « к « (сгкмт Ю 8С Ю 1000

010 - тае Ы алз1е «1п-г аЬоп Су »"-»со

пи Ы *пд1* и11т«(«л »у »N>1 оОот«Сгу

л - жн

ООО - ъ. .гтуЪ С ,1, А 1 У—^

200 40С ООО «С ю юоо

Рисунок 3.13 - Графики ошибок MSE. Сверху - позиции, снизу - ориентации

Из сказанного следует, что фильтрация при помощи среднего скользящего является приемлемым вариантом, так как АЛ намного лучше отрабатывает

принимаемые сигналы с введенными ранее помехами. При последних испытаниях МБЕр < 0.035; М5Е0 < 0.01.

3.3 Алгоритм локализации методом Монте-Карло

Для оценки локализации алгоритмом Монте-Карло необходимо выбрать входные данные к данному алгоритму.

1 разработать карту окружающей в 2D или 3D формате, в которой должна содержаться информация о препятствиях, стенках и других объектах. (Карта может быть создана заранее или сгенерирована роботом в реальном времени);

2 для определения положения робота, он должен быть оснащен датчиками для измерения параметров окружающей среды (расстояние, угол и скорость);

3 задать информацию о начальном положении робота на карте;

4 разработать математическую модель перемещения робота в окружающей среде с учетом факторов скорости, ускорения и поворотов;

5 разработать модель измерений, позволяющую оценить работу датчиков при измерении параметров окружающей среды (как шум, искажения и т.п.);

6 выбрать количество частиц (число гипотез), которые будут использоваться в алгоритме о положении робота (чем больше частиц, тем точнее будет результат локализации, но это замедляет производительность алгоритма);

7 выбрать границы карты - информация об ограничениях движения робота и улучшения производительности алгоритма;

8 задать вероятности того, что робот находится в разных местах на карте. Эти вероятности могут быть определены заранее или вычислены на основе данных датчиков;

9 определить вероятности измерений, т.е. вероятности того, что датчики робота измеряют определенные параметры окружающей среды. Эти вероятности могут быть определены заранее или вычислены на основе данных датчиков;

10 оценить временной шаг - интервал времени между измерениями и перемещениями робота. Чем меньше временной шаг, тем точнее будет результат локализации, но это может замедлить производительность алгоритма.

После определения входных параметров алгоритма локализации, предлагается рассмотреть иллюстрационно принципа работы выбранного алгоритма локализации на примере одномерного коридора [33].

Начальная глобальная неопределённость достигается с помощью набора частиц положений, извлекаемых случайно и равномерно из всего пространства положений, как показано на рисунке 3.14.

Рисунок 3.14 - Иллюстрационное изображение локализации с помощью

метода Монте-Карло

Например, когда робот обнаруживает целевую точку, MCL назначает каждой частице положений веса значимости (рисунок 3.14, б), характеризуемые высотой по вертикали. Учитывая, что число частиц на рисунке 3.14, а и 3.14, б одинаково, то изменение высоты характеризует единственное изменение после обновления измерения - назначение весов.

На рисунке 3.14, видно, что с учётом перемещения робота происходит перераспределение частиц, новый набор частиц имеет равномерные весовые характеристики с большим количеством частиц из трех областей наиболее вероятных местоположений. Новое измерение назначает набору неравномерные веса значимости (рисунок 3.14, г).

В этой точке большинство суммарной массы вероятности сосредоточено около второй целевой точки, которая и является наиболее вероятным местоположением робота. Дальнейшее перемещение вызывает ещё один такт перевыборки, и генерацию нового набора частиц согласно модели движения (рисунок 3.14, д).

В таблице 2.3 приведено более подробное описание алгоритма локализации: в виде функции. В этой функции: m - каждая частица (M - количество частиц в алгоритме) представляет из себя потенциальное состояние робота, математическое выражение которого имеет вид:

х.

г

Х™ = Уг,

(3.12)

Фг

где хг, уг - позиция робота на плоскости;

Фг - ориентация робота на плоскости, в виде набора М частиц, которые разбрасываются по всей карте:

Хь = [х[1]^х[2]^...,х[М] г (3.13)

Выборка значений из модели движения, выполняется используя в качестве начальной точки частицы из текущей оценки. Затем для определения весов значимости частицы используется модель движения. Начальная оценка Ье1(х0) получается в результате случайного извлечения М таких частиц из априорного

распределения и назначения равномерного фактора значимости М-1 каждой частице. Как и в локализации по сетке, функции модели движения и модели измерения могут быть реализованы любой из моделей движения.

3.3.1 Выбор планировщика пути

При выборе планировщика пути в навигационных системах следует учитывать следующие критерии:

1 точность: планировщик пути должен быть точным и надежным, чтобы обеспечить безопасность и эффективность перемещения робота;

2 скорость: планировщик пути должен работать быстро, чтобы обеспечить быструю реакцию на изменения окружающей среды и препятствий;

3 проходимость: планировщик пути должен учитывать физические ограничения робота, такие как его размеры, массу и маневренность, чтобы обеспечить безопасное и эффективное перемещение;

4 оптимальность: планировщик пути должен выбирать оптимальный маршрут, который минимизирует расход энергии, время и другие ресурсы;

5 адаптивность: планировщик пути должен быть способен адаптироваться к изменениям окружающей среды и принимать решения на основе новых данных;

6 гибкость: планировщик пути должен быть гибким и способным работать с различными типами карт и датчиков;

7 масштабируемость: планировщик пути должен быть масштабируемым и способным обрабатывать большие объемы данных и сложные сценарии;

8 доступность: планировщик пути должен быть доступным и легко интегрируемым в различные системы и платформы;

9 надежность: планировщик пути должен быть надежным и способным работать в широком диапазоне условий и сценариев;

10 совместимость: планировщик пути должен быть совместимым с другими системами и технологиями, используемыми в навигационных системах.

Испытания планировщиков пути проводились на одной карте с частично детерминированном пространством (рисунок 3.15) [75], на котором отображается время построения маршрута различными методами планирования. Все планировщики пути уступают RRT однако, который был рассмотрен для сравнение с практически идеальным показателем (рисунок 3.16).

Рисунок 3.15 - Время планирования маршрута

Рисунок 3.16 - Средняя длина пути и максимально допустимое время

планирования

Таким образом алгоритм планирования DWA показал один из лучших результатов, хотя у него есть небольшая просадка в начале. Оценивается средняя длина пути, которую строит планировщик за время t (рисунок 3.16).

Линии на рисунке 3.16 показывают верхний и нижний отклонения 95-процентного доверительного интервала.

Здесь планер DWA уступает другим планировщикам пути на больших площадях, но на небольших площадях он приемлем.

При построении траектории пути в определенный момент времени, планировщик пытается придерживаться данной траектории, постоянно пересчитывая ее. Важен тот факт, насколько точно планировщик рассчитал путь изначально (рисунок 3.7).

0.35 г 0.3

о 0.25

л

V

а

2 0.2

Я

33

В 0.15

-Sj

Si

-р

Sc

iJ 0.1

ПЗ

Он

0.05 0

0.5 1 1.5 2 2.5 3 3.5

Planning time (ms)

Рисунок 3.17 - Отклонение от начального маршрута

По графику (рисунок 3.17) видно, что исследуемый алгоритм DWA сначала отклоняется от выбранного пути, однако спустя некоторое время его отклонение стремится к нулю, что свидетельствует об уменьшающейся ошибки в расчетах планировщика пути.

Следующим этапом проведено финальное тестирование для определения необходимого количества перерасчетов для достижения цели удаленностью, например, на семь метров (рисунок 3.18).

-DWA -FMT*

- Б -К -Е RT* RT RRT

1 1

100 200 300 100 500 600 700 800 900 1000 Replanning iteration

Рисунок 3.18 - Текущее расстояние до цели по сравнению с итерацией повторного

планирования

Анализ рисунка 3.18 позволил принять решение о выборе алгоритм DWA.

Далее проведем сравнение алгоритмов TEB и DWA.

Алгоритм DWA выполняет выборочную оптимизацию [76]. Он отбирает управляющее воздействие в допустимом пространстве скоростей (обычно это пара поступательных угловых скоростей) и выводит траекторию для этих конкретных выбранных действий. Развертка означает, что траектории моделируются в соответствии с заданной длиной горизонта на основе модели движения роботов. При этом, управляющее воздействие поддерживается постоянным на всем горизонте прогнозирования. Следовательно алгоритм DWA не может предсказать реверсирование движения и т. д.

После развертывания прогнозов для всех выборок лучший кандидат выбирается на основе указанной функции стоимости и ограничений (включая расстояние до глобального пути, гладкость, преодоление препятствий и т. д.).

Следовательно, DWA включает два упрощения, чтобы сократить время вычислений при достижении определенной эффективности управления и хорошо зарекомендовал себя для дифференциальных и всенаправленных роботов. Его преимущество заключается в том, что функция стоимости может быть негладкой,

поэтому она хорошо подходит для оценок на основе нейронной сетки. Например, траектории могут быть растрированы в карту затрат для оценки стоимости (учитывая смертельные ячейки сетки и стоимость инфляции). Кроме того, DWA не застревает в локальных минимумах на основе своей инициализации. Поскольку DWA предполагает постоянные управляющие воздействия вдоль горизонта прогнозирования, управление автоподобными роботами довольно ограничено.

В настоящее время существует несколько основных расширений, позволяющих ограничить пространство поиска скорости действиями, совместимыми с автомобилями. Но реверсирование движения по-прежнему не подлежит оптимизации и, следовательно, парковочные маневры в ограниченном пространстве неуправляемы. При этом, реверсирование движения может произойти во время управления с обратной связью, но они не являются частью решения прогноза без обратной связи.

В итоге необходимо, чтобы:

- управляющие воздействия оставались постоянными на протяжении прогнозируемого горизонта без реверсирования движения;

- DWA подходит для роботов с дифференциальным приводом всенаправленных роботов, кроме автомобильных;

- поддерживались негладкие функции стоимости.

ТЕВ в первую очередь пытается найти не только оптимальное по времени решение, но и точно выбрать глобальный эталонный путь, так как он разбивает траекторию вдоль горизонта прогнозирования по времени и применяет схему непрерывной численной оптимизации. Следовательно, в зависимости от разрешения дискретизации, степени свободы вдоль горизонта предсказания могут быть очень высокими, поддерживая реверсирование движения. Кроме того, задача оптимизации с ограничениями преобразуется в задачу оптимизации без ограничений, чтобы сократить время вычислений. Это также означает, что ограничения (например, уклонение от препятствий, ограничения скорости и т. д.) не могут быть гарантированы в любом случае, поэтому предлагается проверить аварийные случаи в базовом драйвере робота или на выделенном узле. Более того,

оптимизатор находит только локальные решения, т.е. если траектория инициализируется слева от препятствия, она там и остается. ТеЬ_1оса1_р1аппег может одновременно оптимизировать несколько траекторий в разных топологиях (например, слева и справа), чтобы найти решение. Поскольку подход основан на непрерывной оптимизации, функция стоимости должна быть гладкой. Он не может работать с сетками и картами стоимости для оценки функции. В настоящее время каждая смертельная ячейка препятствия рассматривается как препятствие в форме точки, что ограничивает подход к малым и средним размерам локальных карт затрат (и довольно грубому разрешению карт затрат). Планировщик также справляется с препятствиями в форме многоугольника. Однако, учитывая определенную вычислительную мощность и небольшой размер задачи, планировщик достигает гораздо более высокой производительности контроллера, разрешает больше сценариев, а также поддерживает движения робота, подобные автомобилям.

В последней версии 1еЬ_1оса1_р1аппег добавлена поддержка динамических препятствий. Производительность сильно зависит от отслеживания препятствий и точности оценки состояния. Однако пакет costmap-converter пытается отслеживать динамические препятствия из локальной карты затрат (экспериментально).

Таким образом можно сделать вывод о том, что:

- запланированные траектории ТЕВ ближе к реальному оптимальному решению, и ограничения реализуются только как штрафы;

- планирование нескольких вариантов траектории проходит в нескольких топологиях;

- происходит обеспечение динамической поддержки препятствий (доказано экспериментально);

- у ТЕВ большая вычислительная нагрузка.

Исходя из сказанного, в DWA имеет небольшую вычислительную нагрузку при оптимизированной работа с омниколесными платформами, в то время как ТЭБ больше реализован для рулевой и дифференциальной кинематики.

3.4 Планировщик пути

Планировщик пути является важным компонентом системы навигации, который обеспечивает безопасность и эффективность движения робота в окружающей среде. В системе навигации он необходим для обеспечения безопасного и эффективного достижения роботом своей цели в окружающей среде, используя информацию о локальной карте препятствий, полученной от датчиков.

Для нахождения оптимального пути планировщик может использовать различные алгоритмы: DWA, A*, RRT (Rapidly-exploring Random Trees). Он учитывает факторы расстояния, времени, стоимости и безопасности при выборе наилучший маршрут. Планировщик пути должен быть гибким и учитывать изменения в окружающей среде, то есть быстро перестраивать маршрут, если появляются новые препятствия или если роботу нужно избежать опасных зон.

Кроме того, планировщик пути может использоваться для управления скоростью и направлением движения робота, вычисляя оптимальную скорость и угол поворота для каждого сегмента маршрута для обеспечения плавности и безопасности движения.

Структура работы планировщика пути выглядит следующим образом (рисунок 3.19).

Блок планировщика пути

Глобальный планировщик пути Глобальная карта препятствий

1 г i

Локальный планировщик пути Локальная карта препятствий

Рисунок 3.19 - Структура блока планировщика пути

Рисунок 3.20 - Глобальная карта препятствий

Строится глобальная карта препятствий на рисунке 3.20, которая предполагается, известной. Затем роботу задается целевая точка, относительно

глобальной карты препятствий и строится план маршрута выбранным алгоритмом. После чего робот движется по этому маршруту, однако, если на пути встречаются новые препятствия, то робот строит с помощью локального планировщика пути объезд. Локальный планировщик пути работает на небольших расстояниях от робота и, как правило, затрачивает намного больше ресурсов, чем глобальный. Далее представлена расшифровка цветов на рисунке 3.21: серый - неизвестность, черный - препятствия, белый - «рабочая зона».

После определения глобальной карты препятствий строится карта весов -карта вероятности появления препятствия пути.

Алгоритм построения локальной карты препятствий в навигации - это процесс сбора информации о препятствиях в окружающей среде робота и их представления в виде карты. Эта карта используется для планирования безопасного пути робота в реальном времени.

Основная идея алгоритма заключается в использовании датчиков, таких как лидары, камеры или ультразвуковые датчики, для получения информации о препятствиях вокруг робота. Эта информация обрабатывается и используется для создания карты препятствий. Существует несколько подходов к построению карты препятствий, но один из наиболее распространенных - метод сканирования лидаром. В этом методе лидар сканирует окружающую среду и измеряет расстояние до препятствий. Эти данные обрабатываются и используются для создания 2.0-карты препятствий.

Другой подход - использование камеры для распознавания объектов в окружающей среде. Камера захватывает изображения, которые затем обрабатываются с помощью алгоритмов компьютерного зрения. Эти алгоритмы могут распознавать объекты, такие как стены, двери и мебель, и использовать эту информацию для создания карты препятствий. После того, как карта препятствий создана, она может быть использована для планирования безопасного пути робота. Алгоритмы планирования пути используют эту карту для определения наилучшего пути, который обходит препятствия и достигает цели.

Важно отметить, что локальная карта препятствий (рисунок 3.21) является временной и может изменяться в зависимости от изменений в окружающей среде.

Зеленые точки - видимость лидара; Черный - препятствия Рисунок 3.21 - Локальная карта препятствий

Поэтому алгоритм построения карты должен быть быстрым и эффективным, чтобы обеспечить актуальность карты в реальном времени. Глобальный пути показан на рисунке 3.22.

Рисунок 3.22 - Глобальный планировщик пути

На рисунке 3.22 черным цветом очерчен глобальный планировщик пути, локальный планировщик пути (ОШЛ) - это светлая линия, идущая от робота.

Алгоритм планирования пути в навигации - это процесс определения оптимального маршрута для робота, который позволяет ему достичь заданной точки в пространстве. Этот процесс состоит из нескольких этапов:

1 определение начальной и конечной точек: на первом этапе робот определяет свое текущее положение и место, куда ему нужно прибыть;

2 создание карты окружающей среды: робот должен иметь карту окружающей среды, чтобы знать, какие объекты находятся в его окрестности и какие препятствия ему нужно обойти;

3 построение графа: робот создает граф, который представляет собой сеть узлов и связей между ними. Узлы представляют собой возможные позиции робота, а связи - пути между ними;

4 определение весов связей: каждой связи между узлами назначается вес, который определяет стоимость перемещения по данному пути. Это может быть расстояние, время или другие факторы;

5 выбор алгоритма поиска пути: существует множество алгоритмов поиска пути, которые могут быть использованы для нахождения оптимального маршрута. Например, алгоритм A* или DWA;

6 поиск пути: выбранный алгоритм поиска пути используется для нахождения оптимального маршрута от начальной точки до конечной;

7 исполнение плана: робот следует по найденному маршруту, используя свои датчики и актуаторы, чтобы избегать препятствий и достичь конечной точки.

Время реакции вычисляется сложением трёх показателей:

- время смены карты весов на новую (0.07с);

- время определения локального пути (0.1);

- время показаний лидара (0.002);

- итого время реакции равно 0.172 с.

Выбранный алгоритм планирования пути работает с высокой точностью и хорошим откликом на динамические и статические препятствия и реализовывался на готовом пакете в ROS.

3.5 Практическая реализация

После оценки предложенных методов навигации необходимо провести практические испытания для проверки и оценивания навигации на реальном прототипе с датчиками. В качестве испытуемого объекта используется платформа на меканум колесах, которая выглядит в соответствии с рисунком 3.23.

Данный робот выполнен из металла, который произведен в компании Applied Robotics. Круглые отверстия рассчитаны под ультразвуковые датчики, большое количество сквозных пазов сделано для простоты крепления наружного оборудования. Камера предусмотрена креплением, однако в рамках ВКРМ не используется. Таким образом испытуемый объект состоит из следующих частей.

Рисунок 3.23 - Изготовленная модель испытуемого объекта

Меканум колеса диаметром 60 мм. Диаметр меканум колеса 60 мм является стандартным размером для многих робототехнических платформ. Он обеспечивает достаточную грузоподъемность и маневренность для многих задач, при этом не занимая слишком много места на роботе. Кроме того, диаметр 60 мм позволяет использовать стандартные моторы и редукторы для привода колес.

Привод с энкодером с характеристиками:

- питание - 12 В;

- рабочий момент - 0,2 Нм;

- скорость - 670 об/мин;

- энкодер - 4096 сигналов/об;

- передаточное отношение - 1:10;

- вес - 290 г.

Драйвер L298N используется для многофункционального управления двигателями постоянного тока. Схема модуля, состоящая из двух Н-мостов, позволяет подключать к нему один биполярный шаговый двигатель или одновременно два щёточных двигателя постоянного тока. При этом есть возможность изменять скорость и направление вращения моторов. Управление осуществляется путём подачи соответствующих сигналов на командные входы, выполненные в виде штыревых контактов. На рисунке 3.24 показан внешний вид модуля с кратким описанием всех его составляющих.

Рисунок 3.24 - Внешний вид драйвера L298N и его краткие характеристики

В качестве бортового компьютера используется NanoPi, которая в свою очередь вставляется в микроконтроллер STEM Board 2, представленного на рисунке 3.25.

Рисунок 3.25 - Бортовой компьютер NanoPi с микроконтроллером STEM Board 2

Преимущество такого решение является компактность данной пары. Также, поскольку внутри испытуемого объекта много соединений по проводам «мама-папа» STEM Board 2 является компактным решением, вмещающим в себя большое количество проводов.

Лидар HLS-LFCD2 - является электро-механическим лазерным радаром, замеряет расстояния на 360° посредством вращения оптической сборки вокруг своей оси. Передает информацию по UART со следующими характеристиками:

- питание двигателя: 5В постоянного тока;

- рабочее расстояние: 12 ... 350 см;

- питание электроники: 5В постоянного тока;

- пусковой ток: 1000 мА;

- рабочий ток: 400 мА;

- протокол передачи данных: UART, 8-N-1;

- скорость передачи данных: 230400 бод.

Габаритный чертеж испытуемого объекта представлен на рисунке 2.26. Таким образом, описав основные элементы платформы, можно перейти к стадии реализации программного обеспечения.

Вычислительный уровень ROS построен на распределенной архитектуре, состоящей из нескольких ключевых элементов [77, 78].

ROS-мастер (ROS Master) служит центральным координатором системы. Он поддерживает реестр всех активных узлов и обеспечивает механизм обнаружения между ними. Мастер работает как сервер имен, позволяя узлам находить друг друга для установления прямых соединений. Важно отметить, что мастер необходим только для установления соединения - после того как узлы связались, они могут продолжать обмен данными даже если мастер будет остановлен.

Узлы (Nodes) - это отдельные исполняемые процессы, выполняющие конкретные вычислительные задачи. Каждый узел специализируется на определенной функции: например, один узел может обрабатывать данные с лазерного сканера, другой - вычислять одометрию, третий - планировать траекторию. Узлы написаны на различных языках программирования (С++, Python, Java) и могут запускаться и останавливаться независимо.

Темы (Topics) представляют собой именованные каналы обмена данными, по которым узлы передают сообщения. Темы реализуют паттерн "издатель-подписчик" (publish-subscribe), обеспечивающий анонимную асинхронную коммуникацию. Узел-издатель публикует сообщения в тему, не зная, кто их получит, а узлы-подписчики получают все сообщения из интересующих их тем. Одна тема может иметь несколько издателей и подписчиков одновременно. Каждая тема строго типизирована - определен тип ROS-сообщений, которые могут передаваться по ней.

Сообщения (Messages) - это структуры данных, определяющие формат информации, передаваемой между узлами. В навигации используются стандартные типы сообщений, такие как sensormsgs/LaserScan для данных лидара, navmsgs/Odometry для одометрической информации, geometrymsgs/PoseStamped для позиций и целевых точек.

Сервисы (Services) обеспечивают синхронную коммуникацию типа "запрос-ответ" между узлами. В отличие от тем, где данные передаются непрерывным потоком, сервисы используются для разовых операций: клиент отправляет запрос

серверу и ожидает ответа. Это подходит для задач с определенным началом и концом, например, для запроса текущей карты или сохранения построенной карты.

Сервер параметров (Parameter Server) - это общая база данных для хранения конфигурационных параметров, доступная всем узлам. Здесь хранятся статические или полустатические данные конфигурации, такие как размеры робота, параметры сенсоров, настройки алгоритмов.

Пакеты (Packages) организуют код в логические модули, содержащие узлы, библиотеки, конфигурационные файлы и другие ресурсы.

Навигационный стек ROS принимает данные одометрии, сенсоров и целевую позицию, а выводит команды скорости для базы робота. Центральным узлом является movebase, который интегрирует несколько ключевых компонентов:

- глобальный планировщик (global_planner) вычисляет оптимальный путь от текущей позиции робота до цели на статической карте. Типичные реализации используют алгоритмы A* или Dijkstra для поиска пути. Он публикует полный план в виде сообщения navmsgs/Path;

- локальный планировщик (local_planner) генерирует траекторию и команды скорости для следования по глобальному плану с учетом динамических препятствий. Популярные реализации включают DWA (Dynamic Window Approach) и TEB (Timed Elastic Band). Локальный планировщик публикует локальную траекторию и команды geometrymsgs/Twist для управления движением;

- глобальная карта стоимости (globalcostmap) представляет статическую карту окружения для долгосрочного планирования. Она получает данные от узла mapserver, который публикует карту типа navmsgs/OccupancyGrid;

- локальная карта стоимости (localcostmap) отслеживает препятствия в непосредственной близости от робота для реактивного избегания. Она обновляется на основе данных сенсоров в реальном времени.

Gmapping - это SLAM-алгоритм, который строит 2D-карту окружения, используя данные лазерного сканера (sensormsgs/LaserScan) и одометрии. Узел slam gmapping подписывается на топики /scan и /tf, извлекая оттуда преобразования

baselink ^ laserframe и odom ^ baselink. Он публикует карту типа navmsgs/OccupancyGrid и метаданные navmsgs/MapMetaData.

AMCL (Adaptive Monte Carlo Localization) - вероятностная система локализации, использующая метод частиц Монте-Карло для определения позиции робота на известной карте. AMCL подписывается на данные карты (map), лазерного сканера (/scan) и начальную оценку позиции (initialpose), а публикует облако частиц (particlecloud) и преобразование map ^ odom

Исходя из чертежа на рисунке 2.26 запишем R = 23,5 мм; L = 126 мм; I = 100 мм. Далее преобразуются математические расчеты в программный код (ПРИЛОЖЕНИЕ А).

Данный код протестирован, испытуемый объект управляется с помощью клавиатуры. ПЗК и ОЗК решены верно, робот двигается с определенной скоростью.

Так как ПЗК и ОЗК на испытуемом объекте реализованы, теперь можно переходить к построению карты. Построение карты в выбранном методе заключается в объезде всей испытуемой зоны. С помощью клавиатуры робот прокатывается по всему складу/комнате (на подобие роботов пылесосов) и таким образом с помощью показаний лидара строится карта. Позиционирует себя робот с помощью алгоритма Монте-Карло, который описывался ранее. В качестве алгоритма SLAM используется gmapping. Результат можно наблюдать на рисунке 3.26.

Рисунок 3.26 - Построенная карта реального объекта

После конфигурирования системы картографирования и локализации встает задача конфигурирования систем навигации и как следствие систем планирования глобальной и локальной траекторий.

Для планирования глобальной в работе используется пакет move_base, который обеспечивает реализацию действия учитывая глобальную цель. Глобальный маршрут строится сразу после задания цели с учетом известных на данный момент препятствий. Во время движения к цели глобальный маршрут разбивается на сегменты — локальные маршруты. Каждый локальный маршрут строиться с учетом поступающих сенсорных данных путем задания подходящей линейной и угловой скорости робота. Характер маршрута движения робота к цели определяется двумя составляющими: линейной и угловой скорости робота. Характер маршрута движения робота к цели определяется двумя составляющими:

- глобальная карта затрат (global cost map) - для построения глобального маршрута движения;

- локальная карта затрат (local cost map) - для построения ближайшего локального маршрута движения.

Карты затрат предоставляют навигационную информацию, необходимую для успешного выполнения текущего маршрута. В конфигурационных файлах карт затрат задаются размеры робота, скорость его движения по маршруту, длина сегментов, частота обновления маршрута и др.

3.6 Выводы к разделу 3

1 Для экспериментальной оценки алгоритмов обнаружения объекта AUM и позиционирования автономного мобильного устройства в трёхмерном пространстве, сформирована специализированная рабочая среда, обеспечивающая корректное функционирование тестовых процедур:

- оптимальное размещение объекта AUM относительно сенсоров системы визуального восприятия, что позволяет минимизировать систематическое

расхождение результатов симуляции в среде Gazebo 3D от фактического поведения робототехнических комплексов в натурных условиях;

- поддерживать адекватный уровень освещения исследуемого участка, исключающего возникновение артефактов и шумов;

- обеспечение прозрачности и воспроизводимости экспериментальных испытаний;

- возможность введения помех с целью получения величин угловых скоростей.

Для устранения неопределенности перехода из 0 ° в 2я, используются кватернионы, которые при действительной двойной погрешности, так как расчеты могут обнулиться, что отразится на работе алгоритма локализации.

2 Разработанный алгоритм оценки позиции в статическом режиме позволил получить величины оценки АЛ равные:

MSEp = 0.0146436257458;

MSE0 = 0.000005948676, что свидетельствует о погрешности телекамеры.

3 Выявлено, что АЛ в условиях динамического функционирования по сравнению с верификацией в статическом положении, что требует более четкого структурирования процедуры проведения эксперимента путем последовательного выделения соответствующих подзадач и разработки отдельных модулей для реализации этапов обработки визуальной информации от: телевизионной камеры, навигационной системы автономного управляемого модуля (AUM), сигналов одометрического датчика, а также процедур расчёта координат целевых точек и относительных пространственных положений объекта относительно заданного опорного элемента A UM.

4 Предложена методика оценки работоспособности АЛ в динамическом режиме путем двухэтапным тестирования:

- экспериментальные исследования с фиксированным угловым движением относительно оси вращения колесного механизма. Оценка АЛ при этом равна:

MSEp = 0.0149674;

MSE0 = 0.0152748;

- полигонные испытания в условиях перемещения ОУ с добавлением фильтрации AUM. Оценка АЛ равна: MSEp = 0.0328594839; MSE0 = 0.0095351367.

5 Предложенный для оценки АЛ Монте-Карло с последующими проведенными испытаниями, показал высокую степень сходимости результатов экспериментальных и натурных исследований при тестировании изготовленного ТП на меканум колесах по разработанной распределенной архитектуре, состоящей из: центрального координатора системы, узлы (Nodes), темы (Topics), сообщения (Messages), сервисов (Services), сервера параметров (Parameter Server), пакетов (Packages), навигационного стек ROS, глобального (global_planner) и локального (local_planner) планировщиков, глобальной (globalcostmap) и локальной (localcostmap) карт стоимости, в которых задаются размеры робота, скорость его движения по маршруту, длина сегментов, частота обновления маршрута и др.

ЗАКЛЮЧЕНИЕ

Проведенные исследования позволили получить следующие итоги, рекомендации и перспективы дальнейшей разработки темы.

1 Проведен анализ состояния вопроса, в результате которого установлено, что причиной медленного развития роботизации складов в России показало, являются невысокие темпы строительства новых роботизированных складов, предназначенных под условия роботизации и сложности переоборудования существующих складов, оборудованных типизированными трёх-четырёхуровневыми стеллажами и продолжают функционировать по устаревшим логистическим схемам, что препятствует внедрению роботизированных технологий. Приведенные факты в работе требуют пересмотра подходов к модернизации существующих объектов, что открывает новые горизонты для разработки алгоритмов, направленных на оптимизацию логистических операций.

2 Проведен анализ систем навигации, в результате которого выявлено, что:

- использование ARuco маркеров на складах позволяет значительно повысить точность позиционирования робототехнических систем в пространстве склада, что позволяет улучшить его взаимодействие между различными компонентами (подвижными и неподвижными объектами);

- достижение максимальной надёжности функционирования транспортировщика паллет является генерация управляющих сигналов, определяющих кинематические и динамические особенности мобильного робота при наличии подвижных и неподвижных препятствий с использованием методов зрения нейронных сетей, байесовской фильтрации, операционной системы Robot Operation System с его библиотеками и т. п.;

- разработки обобщенной архитектуры навигационной системы робота для их распознавания.

3 Разработаны математическая модель и алгоритм автономного управления навигационной системы робота с временными метками, позволяющие

определять траекторию движения мобильного робота, основываясь на вариации угловых и линейных скоростей колес при различных положениях и перемещениях в пространстве с возможностью фиксирования траекторий его движения оператором. Проведенное тестирование математической модели и алгоритма с использованием разработанной симуляционной модели с добавлением шумов одометрии в условиях максимально приближенных к реальным, подтвердило удовлетворительную работу предлагаемого алгоритма.

4 Разработана и подтверждена методика экспериментальной оценки алгоритмов позиционирования автономного мобильного устройства в трёхмерном пространстве построенного цифрового двойника склада, обеспечивающая функционирование тестовых процедур с учетом оптимального размещение объекта АиМ относительно сенсоров системы визуального восприятия и обеспечения воспроизводимости экспериментальных испытаний с величинами среднеквадратической ошибки не более 0,0146 в режимах статического и динамического функционирования. При проведении полигонных испытаний величинами среднеквадратической ошибки была не выше 0,0328.

5 Предложенный для оценки алгоритма локализации метод Монте-Карло с последующими проведенными испытаниями, показал высокую степень сходимости результатов экспериментальных и натурных исследований при тестировании изготовленного транспортировщика паллет на меканум колесах по разработанной распределенной архитектуре, основываясь на показателях скорости реагирования системы на подвижные и неподвижные объекты и затрат на проведение исследований.

6 Перспективой дальнейшей разработки темы является создание более прогрессивных и эффективных моделей взаимодействия между роботизированными системами и существующими складскими процессами с учетом распознаваний объектов и динамических перемещений груза по стеллажам, что позволит значительно повысить эффективность логистических операций и адаптировать их к требованиям современного рынка.

СПИСОК СОКРАЩЕНИЙ И УСЛОВНЫХ ОБОЗНАЧЕНИЙ

AES - (Advanced Encryption Standard) симметричный алгоритм шифрования

AUM - ArUco-маркер

DWA - (Dynamic Window Approach) алгоритм планирования пути

IEEE - (Institute of Electrical and Electronics Engineers) Институт инженеров электротехники и электроники

ITA - ассоциация прмышленного транспорта.

MCL - алгоритм локализации Монте-Карло

ROS - (Robot Operating System) операционная система робота

RRT - (Rapidly-exploring Random Trees) алгоритм планирования пути

SLAM - (Simultaneous Localization and Mapping) метод для построения карты

UART - (Universal asynchronous transmitter) универсальный асинхронный приёмопередатчик

АЛ - алгоритм локализации.

ЫШИ - блок приёма-передачи информации

ИК - инфракрасное (излучение, пульт)

ИК - инфракрасный

О - оператор

ОЗК - обратная задача кинематики

ОУ - оперативное устройство

ПЗК - прямая задача кинематики

Ш1 - планировщик пути