视频
加载播放器…
  • 提供配置文件
  • 欢迎来到智能和移动机器人小组!

    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，并为特定的解决方案带来新颖的想法。中心任务包括:环境感知、传感器数据处理和数据理解，所有这些都将导致自动化世界模型的构建和/或更新。设计和优化了所使用的世界知识表示，以规划机器人在真实(室内)环境中的自导航活动。由于该系统需要高度复杂的控制和决策，传感和传感器数据的理解始终是关键部分。
产品组合

  • 研究主题

  • 惯性导航
    介绍了基于加速度计和陀螺仪提供的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外延方法融合的可能性。
    机器人控制系统
    本节描述移动机器人控制系统的研究和开发结果。
    救援任务支援
    本课题的目的是为救援任务的操作员和协调员提供概述、监测和决策支持。支撑系统的基础组件是动态任务图、通信框架和可视化接口。
    安全关键系统和诊断系统
    交通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。通过规范的形式化方法和软件测试，可以降低随机和系统的故障率。该诊断系统降低了系统的维护成本，缩短了故障发生的时间。
    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一个最优的无碰撞路径，以完成某些任务(从起始点到目标位置，在空间中找到一个物体，清洁工作区域等)。我们的小组处理一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地构建环境地图，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，导致我们开发基于几个不同传感器的数据融合的鲁棒定位方法。大多数方法都是基于超声波或激光测距仪对周围障碍物距离的处理测量。
    移动机器人地图构建
    工作环境地图对机器人导航很有用。本节将介绍几种用于构建各种类型的环境地图(指定供机器人或人类使用)的方法。
    实验的硬件
    本节介绍本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”)项目的目标是研究、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。该系统将允许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控这些算法的行为。该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。

      机器人平台的主要部件——移动机器人——预计将在一个限制区域内移动，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，还将使用几种传感器(红外、声纳、摄像机等)来收集有关运动场和场上特定物体的实际状态的信息。一些传感器将安装在机器人身上，而另一些传感器将是独立的，以获得操场状态的全球概况。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。与世界上现有的电子学习机器人系统(用户只能远程操作机器人)不同，SyRoTek系统中的机器人行为可以修改，同时系统允许运行用户开发的自己的算法。

    • VenZeTmy

    • 这个项目的目的是为视力受损的人开发一种新的辅助设备。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。
      该辅助装置由用于障碍物检测的传感器和集成到衬衫上的触觉显示器组成。触觉显示有7x3振动驱动器。用户面前障碍物的位置决定了哪个驱动器被激活。

      有两个障碍的场景(左)。视差图(右)是由立体图像构建的。与对象的距离用于确定激活矩阵(中间)。

  • 实验结果与论证

    • SyRoTek Stage extension

    • 视频展示了IMR扩展的Stage(来自Player/Stage项目)功能。它现在支持多个独立视图(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，每个视图可以播放一个视频源(包括文件和直播流)，该视频源可以与传感器数据和Stage产生的其他数据一起显示。还提供了在舞台场景和视频之间找到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。更多信息请访问:http://lynx1.felk.cvut.cz/syrotek

    • 无人机自主监视

    • 这段视频展示了一架无人机的自主飞行，它必须拍摄由白色卡片指定的目标区域。无人机使用文章“简单，但稳定轴承导航”中提出的导航方法。该方法基于图像分析和航位推算。为了保证无人机在目标上空的精确定位，采用了基于神经网络的无人机路径规划方法。更多细节将于2010年11月公布。

    • 使用RRT-Path的Bugtrap基准测试解决方案

    • 任务是将红色的棍子移动到“Bugtrap”中。这比把它带出陷阱要容易得多。“Bugtrap”是运动规划的基准。通过对快速探索随机树:RRT-Path进行改进，得到了该问题的解决方案。

    • 机场铲雪

    • 该视频展示了几项由移动机器人组成的铲雪实验。编队的路径(及其所有机器人)使用后退地平线控制方法进行规划。在视频的第一部分，几个模拟显示能力，以应付耦合/脱耦的形成和动态障碍回避。然后，两个室内实验展示了如何在盲道(例如在跑道尽头)转弯，以及如何在机场铲雪。P3AT机器人的最后一个实验展示了P3AT移动机器人在公园里铲路面。最后实验采用SURFnav算法对机器人进行导航。

    • Parrot AR-Drone自动起降

    • 该视频演示了AR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。

    • Parrot AR-Drone自动飞行

    • 这段视频展示了一架完全自主的无人机沿着预先学习过的短路径飞行。四轴飞行器首先由操作者手动引导。在遥控飞行过程中，图像处理算法(SURF,SIFT)从机载摄像机的图像中识别显著目标。这些物体的位置被估计出来并放入三维地图中。在自主模式下，四轴飞行器加载相关地图，并将映射的物体与当前可见的物体进行匹配。通过这种方式，四轴飞行器能够以高于传统GPS的精度估计其位置。关于导航方法的详细信息见Krajnik et.al。:“Simple, Yet Stable Bearing Only Navigation”，Journal of Field Robotics, 2010年9月。

    • Probostov湖自动驾驶

    • 这段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。机器人首先在一公里长的路径上被手动引导，并创建路径附近物体的地图。之后，机器人会自己在这条路径上穿行几次。机器人在清晨学习地图，然后反复浏览地图，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。视频的速度加快了20倍——事实上，浏览整个路径需要一个小时。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信号会发生反射和遮挡，GPS精度为10-30米。本文提出的视觉导航算法实现了0.3 m的精度。关于导航方法的详细信息见Krajnik et.al。:“Simple, Yet Stable Bearing Only Navigation”，Journal of Field Robotics, 2010年9月。

    • Probostov湖自动驾驶

    • 这与“Probostov湖自动驾驶”视频有关，该视频中一个移动机器人自动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，即在学习阶段从机器人自带摄像头看到的景象。注意，学习期间，有小雨，航行期间，天气晴朗。关于导航方法的详细信息见Krajnik et.al。:“Simple, Yet Stable Bearing Only Navigation”，Journal of Field Robotics, 2010年9月。

    • 简单地形探测车的运动规划

    • 简单漫游者在地形上的运动规划。运动采用RRT算法进行规划，绿色树代表实际(局部)计划。

    • 用RRT方法解决法兰问题

    • 使用快速探索随机树(RRT)的3D刚性物体的运动规划示例。有关“法兰问题”的详情可参阅以下网址:http://parasol.tamu.edu/

    • 钢琴搬运工的问题

    • 在3D环境中一个3D刚性物体的运动规划示例，这被称为“钢琴移动器问题”。在这里，使用激光测距仪数据重建了环境

    • 3 .三维扫描重建

    • 大厅三维扫描重建过程。霍尔被垂直放置的装有激光测距仪的机器人扫描。个体扫描使用里程计对齐。

    • 2 .三维扫描重建

    • 房间三维扫描重建过程。机器人垂直放置激光测距仪对房间进行扫描。个体扫描使用里程计对齐。

    • 三维扫描重建

    • 大厅三维扫描重建过程。霍尔被垂直放置的装有激光测距仪的机器人扫描。个体扫描使用里程计对齐。

    • 大型环境的拓扑映射

    • “大地图”(LaMa)框架允许构建一个(可能是大的)环境的拓扑图。该移动机器人能够使用简单的基于摄像机视觉的方法跟踪路径。当到达交叉点时，Lama决策模块决定将遍历哪条外向边。

    • 凝视控制智能轮椅

    • 轮椅配备了I4Control设备，可以通过凝视来控制它。应用移动机器人领域的算法来保证用户的安全性和舒适性。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，这就保证了安全航行。

    • PeLoTe结构坍塌实验

    • 在任务执行过程中，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被堵塞。救援人员将这种情况报告给操作人员，操作人员对地图进行修改，并调用重新规划来解决碰撞情况。修改后的地图和刷新后的路径计划会立即分发给所有队友，任务可以继续进行

    • PeLoTe Merlin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列为危险区域的区域，该区域以前在地图上被视为封闭的。人类远程操作员在地图上进行更改。新的地图更新被分发到所有实体。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一个人类无法进入的区域。然后，在这一地区所作的观察报告将通知远程操作员，远程操作员通过其图形用户界面对地图作出决定和必要的修改。

    • PeLoTe PeNa实验

    • PeNa (Pelote项目的个人导航系统)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他们的能力。定位的核心是人类航迹推算。航迹推算是基于指南针、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的建立和定位。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。PeNa还在维尔茨堡的训练设施中向专业消防员介绍。

    • PeLoTe ER1实验

    • PeLoTe项目中除了Merlin机器人外，ER-1机器人的功能介绍。电影显示机器人ER-1在维尔茨堡训练设施的专业消防员中的表现。

    • PeLoTe实验开始

    • 实验启动初始化程序。救援人员接近行动区域。他可以在GUI中看到环境的先前地图，并期待来自任务协调器的命令。任务协调器调用路径规划模块，以协调的方式为人类和机器人实体生成轨迹。然后将路径计划分发给所有相关实体，任务就可以开始了。

    • 大满贯

    • 同步定位与测绘(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，增量地构建其环境的地图，然后在这个局部地图中定位自己。每一次新的环境激光扫描，与之前的略有不同(差异是由机器人运动引起的)，都被定位在局部地图的上下文中，并将新的信息添加到地图中。方法:点对点匹配用于扫描在地图中的定位。

    • 分层方法

    • 多旅行商问题是机器人技术中解决的整类问题的数学描述。我们试图为一组机器人找到方法，每个“城市”都由一个机器人访问。路径长度是优化的目标。该方法采用MinMax准则自组织Kohonen神经网络。城市之上有等级制度。一个城市集合(城市较少)的解被用作更大集合的初始状态´。

    • 户外导航

    • 室外环境下的导航是一项具有挑战性的任务。机器人使用相机和激光测距仪来探测公园里的路径。机器人根据相机的颜色和纹理以及激光测距仪的形状和反射率来识别适合骑行的地形。分类器是根据激光的信息来学习路径的颜色。然后，从相机图像中分割出路径。机器人的最佳方法是在这张分割的图片中找到，同时也检测到交叉点。

    • 多机器人的探索

    • 将多智能体结构A-globe与前沿探测技术相结合，解决了移动机器人团队对未知环境的探测问题。A-globe架构允许在有限的通信可达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的方法应用于基于边界的路径规划。为了提高迭代最近邻点定位算法的速度和鲁棒性，提出了一种改进的迭代最近邻点定位算法。整个探索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

    • “机器人竞走”是一项比赛，要求全自动机器人在公园的铺砌通道上行进约1公里长的路线。该路线在比赛前10分钟通知各队。机器人必须走在铺好的道路上，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上，我们的团队使用SURFNav导航系统，以超过其他对手的成绩赢得了比赛。

    • 室内三维绘图

    • 环境三维形状重建。装有两台激光测距仪的机器人采集实验室的距离数据。第一个激光测距仪用于机器人的定位，第二个激光测距仪垂直于地板放置，并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。三维占用网格可用于传感器数据融合或路径规划。地表法线表示适合于人工环境重构。三角剖分是计算机图形学中众所周知的一种表示方法。

    • 三维户外绘图

    • 环境三维形状重建。装有两台激光测距仪和相机的机器人在大学校园收集距离数据。采用相机和里程计进行机器人定位，激光测距仪和相机数据融合得到三维数据集。随着机器人完成循环，注意图的改进。