Lokalisierung und Navigation von mobilen Robotern und Micro Aerial Vehicles mit einem reduzierten Sensorset

Drohne, Micro Aerial Vehicle, Drohnensteuerung, Lokalisierung, Innen-räume, Semantische Informationen, Semantisches Szenenverständnis, Navigation

Hochschule Bielefeld
Fachbereich Campus Minden
Artilleriestr. 9
32427 Minden

Laufzeit

01.02.2022 – 31.01.2025

Kurzbeschreibung

In den letzten Jahren haben immer mehr mobile Roboter Einzug in private oder geschäftlich genutzte Räume erhalten. So kümmert sich heutzutage ein Roboter um das Saugen und Wischen der Wohnung. Genauso werden in Lagerhallen immer mehr mobile Roboter zum Transport von Waren eingesetzt. Die Forschung ist mittlerweile so weit, dass sich diese Roboter autonom bewegen können und ihre Umgebung kennen. Sie bestimmen ihre Position dabei anhand verschiedener Sensoren, wie zum Beispiel einem Radencoder (Messen der Umdrehungen eines Rades), und einer ihnen bekannten Karte. Micro Aerial Vehicles (MAVs) nutzen dagegen in der Regel GPS zur Bestimmung ihrer Position. Dazu werden unterstützend Odometriedaten wie die eines Beschleunigungssensors eingesetzt. Beide Plattformen bieten unterschiedliche Möglichkeiten bei der Wahl der Sensoren und stellen ungleiche Anforderungen. So spielt das Gesamtgewicht und der Stromverbrauch bei MAVs eine deutlich größere Rolle bei der Wahl der Sensoren. GPS ist dagegen bei beiden Plattformen in Innenräumen nicht einsetzbar.

In diesem Projekt soll ein neues Framework entwickelt werden, mit dem die Lokalisierung und Navigation für ein möglichst reduziertes Sensorset für unterschiedliche mobile Plattformen gelernt werden kann. Die Verfahren sollen dann im Rahmen von unterschiedlichen Anwendungen evaluiert werden.

In recent years, more and more mobile robots have found their way into private or business premises. For example, robots are now used to vacuum and mop homes. Similarly, more and more mobile robots are being used in warehouses to transport goods. Research has now reached the point where these robots can move autonomously and are aware of their surroundings. They determine their position using various sensors, such as a wheel encoder (measuring the revolutions of a wheel) or a map of the environment. Micro Aerial Vehicles (MAVs), on the other hand, generally use GPS to determine their position. Odometry data such as that from an acceleration sensor is used to support this. Both platforms offer different options for the choice of sensors and have different requirements. For example, the total weight and power con-sumption of MAVs play a much greater role in the choice of sensors. GPS, on the other hand, cannot be used indoors with either platform.

In this research project, we plan to develop a novel framework that allows training both localization and navigation for mobile platforms that are equipped with a reduced sensor set. Our results will be evaluated for several real-world applications.