RoboCup 2015 - Pyro Team : Différence entre versions

Version du 18 février 2015 à 16:26

Cahier des charges

Présentation générale du projet

Avec plusieurs IMAs, nous avons créer une équipe pour participer à la Logistic League de la RoboCup. Lors de la compétition de l'Open German, version européenne de la RoboCup, il faudra mettre en place un système autonome de production à l'aide de Robotinos (robots mobiles de Festo ayant un système d'exploitation Linux) afin de réaliser des produits en fonction des demandes de l'arbitre du jeu : la Referee Box. Nous traiterons dans ce projet de l'aspect navigation des robots, composé d'une partie localisation et d'une partie déplacement.

Contexte

La compétition de l'Open German se déroule en quatre phases spécifiques : phase de début-de-jeu, phase d'exploration, phase de production, phase de fin-de-jeu. La navigation sera utilisée dans la phase d'exploration afin de réaliser une carte de la zone de jeu permettant de définir des zones de passage entre les machines. Dans la phase de production, la navigation permettra de se déplacer à partir de la carte créée au préalable (avec les obstacles fixes) et des robots (obstacles mobiles) se déplaçant en même temps.

Objectif du projet

Fournir aux Robotinos un système capable de se localiser et de parcourir des trajectoires calculées à partir de coordonnées envoyées par le Manager.

Description du projet

• Localiser correctement le robot (à 5 cm près)
• Localiser les éléments fixes :
  • Murs
  • Machines
• Générer une trajectoire selon :
  • les demandes du "Manager"
  • la détection d'obstacles dynamiques (robots)
• Assurer le suivi de la trajectoire

Choix techniques : matériel et logiciel

• Utilisation de 3 Robotinos équipés chacun de :
  • 1 détecteur laser pouvant réaliser des mesures à 240°
  • 1 gyroscope
  • 9 capteurs SHARP (télémètres infrarouges)
  • 3 codeurs incrémentaux présents en sortie de chaque moteur du Robotino
• Utilisation de ROS Hydro
• Utilisation de différents langages : C++ ou Python
• Utilisation de Linux Ubuntu 12.04

Etapes du projet

• Conception du schéma global des différentes parties :
  • Localisation avec le SLAM
  • Création de la carte avec le SLAM
  • Génération de trajectoire avec A-Star
  • Execution de trajectoire avec le noeud ROS pour Robotino robotino_local_move

• Codage des différents noeuds ROS

• Tests de précision et de robustesse sur robot

• Validation du modèle

• Améliorations possibles :
  • Fusionner les maps des 3 robots
  • D-Star Lite au lieu de A-Star
  • Filtrage des données laser

Vocabulaire

Nos comptes rendus peuvent contenir des expressions que nous employons régulièrement mais qui ne sont parfois pas évidentes. Nous proposons alors cette partie vocabulaire afin d'aider le lecteur à comprendre ces expressions.

• Noeud : C'est un programme qui tourne de manière indépendante et qui réalise une tâche spécifique.

• Type : C'est un format spécifique de message. Il définit les valeurs que peut prendre une donnée, ainsi que les opérateurs qui peuvent lui être appliqués.

• Odométrie : L’odométrie est une technique permettant d'estimer la position d'un véhicule en mouvement. Cette mesure de bas niveau est présente sur quasiment tous les robots mobiles, grâce à des capteurs embarqués permettant de mesurer le déplacement du robot (de ses roues).

Avancement du Projet

Semaine 1

• Participation aux Finales Nationales des Olympiades des Métiers en robotique mobile (4ème)

Semaine 2

Jour 1

Etablissement du cahier des charges :

• Prise de connaissance des contraintes d'environnement
• Dialogue avec l'équipe responsable de la partie Manager

Familiarisation avec l'environnement logiciel ROS Recherches de solutions pour la localisation (SLAM) et la génération de trajectoire (algorithme A-star)

Jour 2

Génération de trajectoire :

Nous avons fait nos recherches en nous orientant sur le déplacement du Robotino afin de trouver un algorithme de trajectoire, capable de trouver le chemin le plus court, puisqu'un des buts de la compétition étant la rapidité.
Plusieurs algorithmes sont donc ressortis :

• L'algorithme Dijkstra (On part du point de départ et on cherche le chemin le plus court vers le point d'arrivée en cherchant dans TOUTES les directions)
  
• L'algorithme A-Star (Basé sur Dijkstra, cet algo s'oriente directement vers le point d'arrivée en minimisant la distance avec celui-ci)
  
• L'algorithme D-Star Lite (Amélioration du A-Star avec bufferisation des précédents calculs pour éviter les calculs inutiles en cas d'arrivée d'un obstacle mobile sur la trajectoire)
  

Nous avons visualisé les différents algorithmes sur PathFinding

Fonctionnement de l'algorithme A-Star :

• Tout d'abord, on calcule la distance qui sépare le robot du point d'arrivée, et on définit les points interdits par les obstacles. (la zone bleue correspond

à l'obstacle et la zone verte est une zone ou le robot touche l'obstacle. Ces deux zones constituent la zone interdite).

• Ensuite le Robot trouve un premier noeud sur la grille qu'on lui a attribué. Si le noeud n'est pas dans une zone interdite, il sauvegarde ce noeud.

• Il répète l'opération jusqu'à trouver le chemin qui le mènera à l'arrivée
  

• Attention : c'est seulement lorsqu'il aura trouvé le chemin complet que le robot va se déplacer !

Localisation :

Pour la localisation nous allons utilisé un algorithme de Localisation et Cartographie Simultanée (SLAM en anglais):

Explicitation des différentes parties :

• Odometry change  : changement de position
• Odometry update  : mise à jour de l'odométrie
• Re-observation  : vérification des changements à partir de toutes les données disponibles
• New observations  : mise à jours de la matrice d'état

• Laser scan  : scan laser brut
• Landmark Extraction : extraction des objets caractéristiques
• Data Association  : association entre objets scannés et objets en mémoire

Ce schéma sera explicité à la séance prochaine.

Semaine 3

Jour 1

Nous avons découper le travail de génération de map et de la correction de position de la manière suivante :

( Nous recommandons au lecteur de se référer à la partie vocabulaire pour comprendre les termes techniques )

Chaque case du diagramme précédent correspond à un noeud ROS.

Décrivons précisément le rôle de chaque noeud :

• Laser récupère les données brutes du laser.
• Filtrage permet, comme son nom l'indique, d'enlever les éventuels bruits qui affectent les données du laser.
• Reconnaissance des droites traite les données laser filtrées pour détecter les droites présentes (Transformée de Hough ou Ransac)
• Reconnaissance des formes extrapole les objets (machines) à partir des droites.
• Corrélation emplacements machines lie la position des machines détectées au laser et les positions envoyées par RefBoxCom pour éviter les incohérences.
• Odométrie récupère la position du robot par rapport au point de départ. Il renvoie une position corrigée grâce au gyroscope(Pose) et une position non corrigée par le gyroscope (Twist)
• Traitement de position corrige l'erreur sur le Twist avec les données du gyroscope (par dérivation).
• Fusion de Kalman est un algorithme qui va coupler les données de position et les données du laser afin de fournir un modèle et une position précise. C'est le noeud central du SLAM.
• Stockage machines + robot transforme les positions des machines et du robot en grille. Il sera couplé aux détections d'obstacles.
• Grid Map renvoit une map utilisée ensuite pour les déplacements et les calculs de trajectoires (A_Star)
• RefBoxCom stocke et renvoie la position des machines.
• Position robot renvoie la position exacte du robot sur la grille.
• Manager Noeud qui envoie la position à atteindre.
• Pathfinder recherche le chemin demandé par le Manager sur une grille
• Parcoureur exécute le chemin trouvé en fournissant les vitesses au noeud Déplacement.
• Déplacement (noeud robotino_local_move_server), qui donne les commandes aux moteurs à partir de la vitesse linéaire et angulaire envoyée par le Parcoureur.

Jour 2

Nous avons cherchés toutes les documentations techniques nécessaires pour la programmation de chaque noeud : Wiki_ROS et API_Robotino, nous permettant de mettre à jour le schéma global (semaine 2 jour 2), notamment au niveau des types.

Nous nous sommes ensuite concentrés sur le noeud GridMap qui contient Map.cpp :

Dans le code de l'an dernier, ce noeud générait une grille en dur. Cependant, cette solution n'est pas possible cette année car nous ne connaissons pas toutes les informations sur la piste (on connaît à peu près la position mais pas l'orientation). Il va donc falloir générer une grille en fonction du noeud précédent qui nous renverra un type OccupancyGrid.

Etant donné que ce noeud tournera en permanence, si des informations changent pendant que le robot est sur la piste (détection des nouvelles machines par exemple), le noeud Map.cpp modifiera la grille en temps réel.

La grille est décomposée en case pour le A-Star :

Si c'est une case interdite (obstacle) ont associe a la case la valeur 1, si elle est autorisée, on associe la valeur 0. On illustre le principe précédent par un exemple :

Cependant, le noeud "Grid Map" va nous délivrer un vecteur et non une matrice par le biais de OccupancyGrid.Data.Dans notre exemple précédent, on récupère le vecteur suivant :

On choisit donc de transformer ce vecteur en matrice, car l'algorithme A-Star fonctionne sur un graphe, pas un vecteur. On connait la largeur (en case) de la grille grâce au type OccupancyGrid.info.width.

Le pseudo-code pour générer la matrice à partir de ce vecteur sera le suivant :

fonction create_grid (OccupancyGrid.Data vecteur[size]) : matrice[height].[width]
{
  matrice[height].[width] ;		
     int t <- size;
         Pour (i de 0 à height)
         faire:
               {
                   Pour (j de 0 à width)
                   faire :
                           {
                              matrice[i].[j] <- vecteur[t] ;
                              t++;
                           }
               }
  return matrice;
}

Semaine 4

Jour 1

Localisation :

Nous nous concentrons essentiellement sur la première partie, qui est la partie : "Landmarks Extraction" (extraction des points de repères). On travaille ici dans le repère du laser, qui est différent de celui du robot, et du global. La transposition dans le repère global se fera dans la partie "Data Association". On doit ainsi, dans l'ordre :

• récupérer des données lasers via le topic /scan
• convertir les coordonnées polaires en coordonnées cartésiennes en filtrant les données aberrantes (> range_max et < range_min)
• concevoir l'algorithme RANSAC (Random SAmple Consensus) de détection de droites :
  • détecter la "meilleure" droite à partir des points en sélectionnant aléatoirement des combinaisons de points
  • stocker le meilleur modèle (angle + tableau de points)
  • recommencer tant qu'il reste assez de points à traiter (5)
• extraire les segments à partir des modèles trouvés et des points
  • projeter tous les point appartenant à un modèle de droite sur cette même droite
  • extraire les points extrèmes
  • calculer la taille du segment
  • calculer le vecteur normal de la droite
  • grouper les segments qui appartiennent potentiellement à une même machine
    • chercher des angles droits, des segments de 35 ou 70 cm (largeur et longueur d'une machine)
  • extrapoler les positions des machines dans le repère du laser
    • définir le barycentre de la machine ainsi que son angle
  • stocker ces positions

Nous avons aussi pris du temps avec Valentin VERGEZ, qui a développé, l'an dernier, les codes pour le déplacement du Robotino et le calcul de trajectoire

Nous avons éclairci quelques points sur cette partie du projet :

• Les commentaires sur l'utilité de chaque fonction ont été rajoutés.

• Le "code mort" a été nettoyé ainsi que les parties inutiles.

• Nous devons trouver un moyen de tester cette partie du code seule. (A priori graphiquement).

Jour 2

Etant donné l'arrivée d'un nouvel ordinateur au sein de l'équipe, nous en avons profités pour installer les logiciels qui nous permettrons de faire tourner les noeuds codés sur les Robotino :

• Installation d'Ubuntu 12.04 ( c'est cette version qui permet de faire tourner ROS Hydro)

• Installation de ROS Hydro (ensemble d'outils informatiques open source permettant de développer des logiciels pour la robotique.)

• Installation des paquets nécessaires (catkin, Desktop Install, ROS-Base, Individual Package)

• Installation de GIT (outil de bas niveau permettant de gérer l'évolution du contenu d'une arborescence)

• Vérification que toutes les fonctionnalités de ROS Hydro étaient présentes ( Tutoriel)

La récupération du code complet de l'année dernière et une solution a été trouvée afin de tester le code de génération de trajectoire A-star:

• Pour visualiser une Map ainsi qu'un Path (chemin), on peut utiliser l'outils RVIZ.
• Dans RVIZ, on peut ajouter un Path (topic /path), ainsi qu'ajouter une Map (/grid): Ceci correspond exactement à ce que nous souhaitons visualiser pour la partie calcul de trajectoire.
• Pour publier une Map fictive, on executera le script fakeGrid.sh
• Pour générer un chemin, on lancera le pathfinder (rosruns rbqt_pathfinder server : notre code) et on effectuera une requête avec le script pathReq.sh.

Si tout se passe correctement, le chemin devrait s'afficher en vert sur la map.

Nous avons aussi du communiquer notre avancement aux autres parties de l'équipe. Le schéma général ainsi qu'un outil permettant d'expliquer les différents algorithmes de recherche de trajectoire optimale nous ont aidé à leur communiquer nos objectifs et les processus choisis.

L'algorithme A-Star que nous allons utiliser donne le résultat final suivant (utilisation du site PathFinding :

• le chemin optimal calculé par A-Star
• le point de départ
• le point d'arrivée
• les points interdits (obstacle)
• les points que l'algorithme a déjà calculé
• les points que l'algorithme aurait calculé à la prochaine itération

Pour la partie landmarks extraction - filtrage, nous avons commencé à définir une classe laserScan composée des éléments suivants :

class laserScan
{
public:
 laserScan();
 ~laserScan();	
 void polarToCart(const std::vector<float32> ranges, const std::vector<Point> points);
 float32 getRangeMin() {return range_min};
 float32 getRangeMax() {return range_max};
 float32 getAngleMin() {return angle_min};
 float32 getAngleMax() {return angle_max};
 float32 getAngleInc() {return angle_inc};
 void setRangeMin(float32 min) {range_min=min};
 void setRangeMax(float32 max) {range_max=max};
 void setRanges(const sensor_msgs::LaserScanConstPtr& scan);
 void setAngleMin(float32 min) {angle_min=min};
 void setAngleMax(float32 max) {angle_max=max};
 void setAngleInc(float32 inc) {angle_inc=inc};
 void callback(const sensor_msgs::LaserScanConstPtr& scan); 
private:
 std::vector<float32> ranges;
 std::vector<Point> points;
 float32 range_min;
 float32 range_max;
 float32 angle_min;
 float32 angle_max;
 float32 angle_inc;
};

La fonction qui nous intéresse est polarToCart, elle convertit les données laser (tableau de ranges) en tableau de points (x,y) :

void laserScan::PolarToCart()
{
 Point p;
 for (i=0; i<ranges.size(); i++){
   if ( (ranges[i]>getRangeMin()) && (ranges[i]<getRangeMax()){
     p.x =  ranges[i]*math.sin(getAngleMin() + i*getAngleInc());
     p.y = -ranges[i]*math.cos(getAngleMin() + i*getAngleInc());
     points.push_back(p);}
  }
}

Nous avons aussi déterminé quel algorithme nous allons utiliser pour la reconnaissance de droite : RANSAC.

Pseudo code de l'algorithme de reconnaissance de droite

Entrée du programme :

 points – tableau de points initial issu des données lasers

Sortie du programme :

 modèles – tableau des meilleurs modèles trouvés par RANSAC

Entrées de l’algorithme de RANSAC :

 points – tableau de points 
 modele – une droite qui peut être ajusté à des points
 n - le nombre minimum de points nécessaires pour définir une droite
 k - le nombre maximal d'itérations de l'algorithme
 t - une valeur seuil pour déterminer si un point correspond à une droite
 d - le nombre de données proches des valeurs nécessaires pour faire valoir que la droite correspond bien aux points

Sorties de l’algorithme de RANSAC :

 meilleur_modèle - les paramètres de la droite qui correspondent le mieux aux points
 meilleur_ensemble_points - points à partir desquels la droite a été estimée
 meilleure_erreur - l'erreur du modèle de droite par rapport aux points

 tant qu’il reste au moins 5 points dans le tableau de points initial
  
  itérateur := 0
  meilleur_modèle := aucun
  meilleur_ensemble_points := aucun
  meilleure_erreur := infini
  tant que itérateur < k
    points_aléatoires := 2 points choisis au hasard à partir du tableau de points initial
    modèle_possible := paramètres de la droite correspondant aux points_aléatoires
    ensemble_points := points_aléatoires correspondant au modèle_possible
    Pour chaque point des données pas dans points_aléatoires
      si le point s'ajuste au modèle_possible avec une erreur inférieure à t
        Ajouter un point à ensemble_points
    si le nombre de points dans ensemble_points est > d
    (ce qui implique que nous avons peut-être trouvé un bon modèle,
     on teste maintenant dans quelle mesure il est correct)
      modèle_possible := régression linéaire de tous les points de ensemble_points
      erreur := √(∑▒〖erreur〗^2 )/(nombre de points)
    si erreur < meilleure_erreur
   (nous avons trouvé un modèle qui est mieux que tous les précédents,
    le garder jusqu'à ce qu'un meilleur soit trouvé)
      meilleur_modèle := modèle_possible
      meilleur_ensemble_points := ensemble_points
      meilleure_erreur := erreur
   stocker meilleur_modèle, meilleur_ensemble_points, meilleure_erreur dans tableau de modèles
   retirer meilleur_ensemble_points du tableau initial de points
   recommencer avec le tableau de points modifié

l'algorithme de RANSAC trouve la meilleure droite dans un nuage de points. On utilise cet algorithme plusieurs fois afin de trouver l'ensemble de toutes les droites du scan laser. On a donc en sortie un tableau des droites composants le nuage de points initial.

Fichiers Rendus