视频
加载播放器…
  • 提供配置文件
  • 欢迎加入智能与移动机器人小组!

    所进行的研究主要集中在设计和开发智能移动机器人-自动驾驶车辆。总体目标是为这类机器人开发高度健壮的认知控制系统，并将新颖的想法带入特定的解决方案中。考虑中心任务:环境感知，传感器数据处理和数据理解，所有这些都导致自动化的世界模型构建和/或更新。所使用的世界知识表示被设计和优化，用于规划机器人在真实(室内)环境中的自我导航活动。由于这种系统需要高度复杂的控制和决策，其关键部分始终是传感器和传感器数据的理解。
产品组合

  • 研究主题

  • 惯性导航
    介绍了加速度计和陀螺仪提供的基于惯性测量数据的定位方法的研究成果。本课题的主要研究领域包括纯惯性方法的精度研究以及惯性方法与一种例外方法融合的可能性。
    机器人控制系统
    本节描述了移动机器人控制系统的研究和开发结果。
    救援任务支持
    本主题的目的是概述，监测和决策支持救援任务的操作员和协调员。支撑系统的基本组成部分是动态任务图、通信框架和可视化界面。
    安全关键系统和诊断系统
    在运输和工业中的软件应用必须满足严格的安全和质量要求。通过规范的正式方法和软件测试，降低了随机和系统故障的发生率。该诊断系统降低了系统维护成本和故障周期。
    运动规划
    运动规划的目的是为一个或多个机器人在构型空间中找到最优的无碰撞路径，以完成某些任务(从起点到目标位置，在空间中找到物体，清理工作区域等)。我们的小组处理单个机器人的规划算法(避障)以及一组机器人的规划方法(覆盖和探索问题)。
    基于距离测量处理的移动机器人定位
    为了有效地探索工作环境并自主构建环境地图，机器人必须对其位置进行定位。简单的方法如里程计所提供的长期精度不足，这促使我们开发基于多个不同传感器数据融合的鲁棒定位方法。大多数方法是基于处理测量到周围障碍物的距离，由超声波或激光测距仪提供。
    移动机器人的地图构建
    工作环境地图的存在对机器人导航很有用。本节介绍了几种构建各种类型的环境地图的方法，这些地图被指定为机器人或人类使用。
    实验的硬件
    本节介绍了我们实验室开发和使用的实验硬件。

  • 当前的项目

    • SyRoTek

    • SyRoTek(“机器人电子学习系统”)项目的目的是研究、设计和开发新的方法和途径，以构建用于远程学习的多机器人系统。可预见的系统将允许其远程用户熟悉现代移动和集体机器人、人工智能、控制和许多其他相关领域的算法。高级用户将能够开发自己的算法，并在实际实验中在线监测这些算法的行为。拟议的系统减少了开发过程，并允许广泛的个人和机构使用真正的机器人设备。

      机器人平台的主要组成部分——移动机器人——预计将在一个受限的区域内移动，该区域还将包含其他元素，如与实际解决任务的目标相关的障碍物或物体。此外，几个传感器(红外线、声纳、照相机等)将被用来收集有关运动场的实际状态和特定物体的信息。一些传感器将被放置在机器人上，而其他传感器将被单独放置，以获得全球赛场状态的概况。用户不仅可以通过互联网界面观察收集到的数据，还可以实时控制机器人。与世界上现有的用户只能远程操作机器人的电子学习机器人系统不同，SyRoTek系统中的机器人行为可以被修改，同时系统允许运行用户自己开发的算法。

    • VenZeTmy

    • 该项目的目的是为视障人士开发一种新的辅助工具。该项目由Integrace管理。我们正在研究障碍物探测系统。我们使用立体摄像机STOC进行基本的障碍物检测。
      该辅助装置包括用于障碍物探测的传感器和集成在衬衫上的触觉显示器。触觉显示器有7x3振动驱动器。用户前方障碍物的位置决定了哪个执行器被激活。

      场景(左)有两个障碍。视差图(右)是由立体图像构建的。使用到目标的距离来确定激活矩阵(中间)。

  • 实验结果及演示

    • SyRoTek Stage扩展

    • 视频展示了IMR扩展的Stage(来自Player/Stage项目)的功能。它现在支持多个独立的视图(每个视图可以单独配置，允许与标准Stage窗口相同的功能)。此外，每个视图都可以播放视频源(文件和直播)，可以与传感器数据和Stage产生的其他数据一起显示。并提供了在舞台场景和视频之间寻找正确转换的摄像机校准工具。最后，开发了允许将Stage用作独立查看器的插件。更多信息可以在http://lynx1.felk.cvut.cz/syrotek上找到

    • 用无人机进行自主监视

    • 这段视频展示了无人机的自主飞行，它必须拍摄白色卡片指定的目标区域。无人机使用的导航方法在文章“简单，但稳定的轴承只导航”中提出。该方法基于图像分析和航位推算。采用基于神经网络的方法对无人机路径进行规划，以保证其在目标上的精确定位。更多细节将于2010年11月公布。

    • 使用RRT-Path的bug测试解决方案

    • 任务是把红色的棍子移到“陷阱”里。这比把它带到陷阱外面容易。“陷阱”是运动规划的基准。利用快速探索随机树:RRT-Path的改进得到了解。

    • 机场铲雪

    • 这段视频展示了几个由移动机器人组成的铲雪实验。编队(及其所有机器人)的路径使用后退地平线控制方法进行规划。在视频的第一部分中，几个仿真显示了处理耦合/解耦编队和动态避障的能力。然后，两个室内实验展示了如何在盲道上(例如在跑道的尽头)转弯，以及如何在机场铲雪。最后一个P3AT机器人的实验是P3AT移动机器人在公园里铲路面。在最后的实验中，机器人采用SURFnav算法进行导航。

    • Parrot AR-Drone自主起降

    • 这段视频展示了增强现实无人机在移动车辆上起飞和降落的能力。ARDrone底部摄像头用于识别移动机器人上的简单图案，无人机要么在图案上方盘旋，要么降落在图案上。

    • 鹦鹉ar无人机自主飞行

    • 这段视频展示了一架完全自主的无人机沿着一条短的预学习路径飞行。四轴飞行器首先由远程操作员手动引导。在遥控飞行过程中，图像处理算法(SURF,SIFT)从机载相机图像中识别显著目标。这些物体的位置被估计并放入三维地图中。在自主模式下，四轴飞行器加载相关地图，并将映射的对象与当前可见的对象进行匹配。通过这种方式，四轴飞行器能够以比传统GPS更高的精度估计它的位置。关于导航方法的详细信息见文章:Krajnik等。:“简单而稳定的轴承导航”，《野外机器人学报》，2010年9月。

    • 普罗博斯托夫湖自动驾驶

    • 这个视频展示了一个完全自主的机器人沿着预先学习的路径前进。首先，人工引导机器人沿着一公里长的路径绕湖行走，并绘制出路径附近物体的地图。之后，机器人会自行在路径上穿行几次。机器人在清晨学习地图，并反复穿越它直到晚上。实验表明，该导航算法能够处理全天光照变化的情况。这段视频的速度是原来的20倍，实际上，你要花一个小时才能走完全程。需要注意的是，使用GPS来完成这项任务是不可行的，因为在树下，GPS信号会受到反射和遮挡，而且GPS精度在10-30米之间。本文提出的视觉导航算法的精度为0.3 m。关于导航方法的详细信息见文章:Krajnik等。:“简单而稳定的轴承导航”，《野外机器人学报》，2010年9月。

    • 普罗博斯托夫湖自动驾驶

    • 这与“Probostov湖自动驾驶”视频有关，该视频中移动机器人可以自主穿越一公里长的路径。在这里，你可以看到机器人对世界的看法，即机器人在学习阶段的车载摄像头的观点。注意，在学习过程中，下着小雨，在航行过程中，天气晴朗。关于导航方法的详细信息见文章:Krajnik等。:“简单而稳定的轴承导航”，《野外机器人学报》，2010年9月。

    • 简单地形探测车的运动规划

    • 一个简单的漫游者在地形上的运动规划。采用RRT算法对运动进行规划，绿色的树表示实际(局部)规划。

    • 用RRT法求解法兰问题

    • 使用快速探索随机树(RRT)的3D刚性对象的运动规划示例。关于“法兰问题”的详细信息可在以下网址找到:http://parasol.tamu.edu/

    • 钢琴搬运工的问题

    • 一个3D环境中3D刚性物体的运动规划的例子，这被称为“钢琴搬运工的问题”。本文利用激光测距仪数据对环境进行了重建

    • 3 .三维扫描重建

    • 大厅三维扫描重建过程。机器人垂直放置激光测距仪，对霍尔进行扫描。使用里程计对单个扫描进行对齐。

    • 三维扫描重建2

    • 房间三维扫描的重建过程。安装垂直放置的激光测距仪的机器人对房间进行扫描。使用里程计对单个扫描进行对齐。

    • 三维扫描重建

    • 大厅三维扫描重建过程。机器人垂直放置激光测距仪，对霍尔进行扫描。使用里程计对单个扫描进行对齐。

    • 大型环境的拓扑映射

    • “大地图”(LaMa)框架可以构建一个(可能很大的)环境的拓扑图。移动机器人能够使用简单的基于相机视觉的方法跟踪路径。当到达交叉点时，Lama决策模块决定将穿过哪条出线边。

    • 注视控制智能轮椅

    • 轮椅装有I4Control装置，可以通过凝视来控制它。应用移动机器人领域的算法，确保用户的安全和舒适。除了直接控制轮椅的移动方向外，用户还可以发出“向前移动2米”或“转弯45度”等命令。此外，已知地图上的目的地可以传递给轮椅，轮椅负责安全导航。

    • PeLoTe结构坍塌实验

    • 在执行任务的过程中，可能会发生一些意想不到的情况。先前可通行的走廊因结构倒塌而受阻。Rescuer将此情况报告给操作员，操作员对地图进行修改并调用重新规划以解决碰撞情况。修改后的地图和更新后的路径计划会立即分发给所有队友，然后任务就可以继续了

    • PeLoTe梅林探索危险区域

    • 在执行任务期间，一名救援人员发现了一个被归类为危险的区域，以前在地图上被认为是封闭的。人工电话接线员对地图进行修改。新的地图更新将分发给所有实体。发现危险区域的救援人员远程控制跟随的梅林机器人观察人类无法进入的区域。然后将在这一地区的观察结果通报给远程操作员，由后者通过图形用户界面作出决定并对地图进行必要的修改。

    • PeLoTe PeNa实验

    • PeNa (Pelote项目的个人导航系统部分)支持人类成为远程操作任务中的远程终端实体。这一概念通过导航、协助和共享远程知识库的数据扩展了它们的能力。定位的核心是人的航位推算。航位推算是基于罗盘、惯性测量单元(IMU)、无线步长测量单元和激光。激光数据也用于地图构建和定位。所有团队成员(人类和机器人)在地图上的准确位置为操作员提供了清晰的情况视图。佩纳还在维尔茨堡的专业消防员训练设施中被赠送给他们。

    • PeLoTe ER1实验

    • 介绍了PeLoTe项目中除Merlin机器人外的ER-1机器人的功能。影片展示了机器人ER-1在维尔茨堡专业消防员训练设施中的表演。

    • PeLoTe实验开始

    • 实验启动的初始化过程。救援人员接近操作区域。他可以在GUI中看到环境的先验地图，并期待任务协调器的命令。任务协调器调用路径规划模块，该模块以协调的方式生成人和机器人实体的轨迹。然后将路径规划分发给所有相关实体，任务就可以开始了。

    • 大满贯

    • 同时定位与映射(SLAM)是移动机器人的一项基本任务。这部电影展示了使用激光测距仪的SLAM。机器人在环境中移动，逐步建立其环境的地图，并随后在这个局部地图中定位自己。每次对环境进行新的激光扫描，与之前的环境略有不同(差异是由机器人的运动引起的)，都会在局部地图的背景下进行定位，并向地图中添加新的信息。方法点对点匹配用于在地图中定位扫描。

    • MTSP分层方法

    • 多重旅行商问题是机器人技术中所解决的一类问题的数学描述。我们试图找到一种方法，让每一个“城市”的一组机器人都能被一个机器人访问。路径长度是优化的目标。该方法采用带最小最大值准则的自组织Kohonen神经元网络。等级制度在城市之上。用一组城市(含较少城市)的解作为大集合的初始状态。

    • 户外导航

    • 户外环境下的导航是一项具有挑战性的任务。机器人使用摄像头和激光测距仪探测公园内的路径。机器人根据摄像头的颜色和纹理以及激光测距仪的形状和反射率来识别地形是否适合骑行。分类器是根据激光的信息来学习路径的颜色。随后，从相机图像中分割路径。在分割后的图像中找到机器人的最佳路径，并检测交叉点。

    • 多机器人的探索

    • 将多智能体架构A-globe与基于边界的探索技术相结合，解决了移动机器人团队探索未知环境的问题。A-globe架构允许在有限的通信可及性和参与机器人数量变化的情况下解决探索问题。将A*搜索与谐波势场相结合，提出了一种基于边界的路径规划方法。为了提高迭代最近点定位算法的速度和鲁棒性，提出了一种改进的迭代最近点定位算法。整个勘探框架已经在模拟和真实环境中实现和测试。

    • 机器人送货挑战

    • 机器人赛跑是一项比赛，在比赛中，完全自主的机器人必须在公园内铺设的通道上行驶大约1公里长的路线。比赛开始前10分钟将路线发给各队。机器人必须呆在铺好的道路上，避开障碍物。这段视频展示了IMR学生团队部署的竞争机器人的一些基本功能。在Robotour 2008中，我们的队伍使用SURFNav导航系统，以超过其他对手的分数赢得比赛。

    • 室内三维制图

    • 环境的三维形状重建。机器人配备两台激光测距仪，采集实验室的测距数据。第一个激光测距仪用于定位机器人，第二个激光测距仪垂直于地面，测量到墙壁和家具的距离。您可以看到原始的本地化数据以及一些更适合机器人用途的表示。三维占用网格用于传感器数据融合或路径规划。用表面法线表示适合人类操作者进行环境重建。三角测量是计算机图形学中众所周知的表示。

    • 室外三维制图

    • 环境的三维形状重建。机器人配备了两个激光测距仪和摄像头，在大学校园内收集距离数据。利用相机和测距技术对机器人进行定位，将激光测距仪和相机数据融合得到三维数据集。当机器人完成循环时，注意地图的改进。