RoboCup 2015 - Pyro Team

De Wiki d'activités IMA
Révision datée du 11 février 2015 à 14:08 par Tdanel (discussion | contributions) (Jour 1 :)


Cahier des charges

LogoPyro icone.png

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

ProjetS8.png
  • 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

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)

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).

Projet S8 A STAR 1.PNG
Projet S8 A STAR 2.PNG
  • 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.
Projet S8 A STAR 3.PNG
Projet S8 A STAR 4.PNG
  • Il répète l'opération jusqu'à trouver le chemin qui le mènera à l'arrivée
Projet S8 A STAR 5.PNG
  • 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):

SLAM.png

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 :

SchémaProjetS8-1.png

( 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. Les cases vertes sont des entrées, les bleus sont des sorties et les données rouges sont les types qui seront utilisés
  • Décrivons précisément le rôle de chaque noeud :
    • Laser : Ce noeud récupère les données du laser, il permet de détecter les objets qui entoure le robot.
    • Filtrage : Ce bloc permettra d'enlever les éventuels bruits qui affectent les données du laser car la précision de ce dernier diminue avec la distance. A 5m, la précision est de + ou - 5 cm.
    • Reconnaissance des droites : Algorithme de traitement des données pour repérer les droites (Transformée de Hough / Ransac, point + orientation)
    • Reconnaissance des formes : Algorithme qui permettra de reconnaître des objets à partir des droites.
    • Odométrie : Ce noeud 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 : Etant donné que nous avons besoin du Twist pour la fusion de Kalman, nous corrigeons l'erreur par une dérivation. Celle-ci se fait dans ce noeud.
    • Fusion de Kalman : Cet algorithme 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.
    • Emplacements des machines : ce noeud issu du traitement des données du laser permettra de connaître l'emplacement des machines sur la piste.
    • Stockage/Position orientation : Ce noeud transforme les positions des machines et du robot en grille. Il sera couplé aux détections d'obstacles.
    • Map Fixe : Ce noeud est une sortie. Il renverra une map utilisée pour les déplacements et les calculs de trajectoires (A_Star)
    • RefBoxCom : Stock et renvoie la position des machines.
    • Position : Sortie qui renvoie la position exacte du robot sur la grille.

Fichiers Rendus