STR Robot: Design of an Autonomous Mobile Robot from Simulation to Reality

Technische Samenvatting: STR Robot: Ontwerp van een Autonome Mobiele Robot van Simulatie naar Realiteit

Probleemstelling
De ontwikkeling van autonome mobiele robots voor buitenomgevingen staat voor aanzienlijke uitdagingen, waaronder meetonzekerheid, modelmismatches en beperkte rekenkracht. Hoewel simulatietools een veilige en efficiënte omgeving bieden voor het ontwikkelen van prototypes, blijft het overbrengen van navigatiekaders van simulatie naar real-world implementatie moeilijk vanwege discrepanties in meting en de complexiteit van de omgeving. Bovendien behandelen bestaande navigatiesystemen localisatie, planning en besturing vaak als aparte modules in plaats van als een geïntegreerd systeem aan boord. Er is een specifieke behoefte aan een praktische, reproduceerbare "van simulatie naar realiteit"-pijplijn die deze integratie-uitdagingen aanpakt, met name voor niet-holonomische platformen zoals voertuigen met Ackermann-sturing, die een soepele trajectvolging vereisen om oscillerend gedrag of het afsnijden van hoeken te voorkomen.

Methodologie
Het artikel stelt een complete simulatie-naar-realiteit autonome navigatiekader voor, gebaseerd op een bestaand mechanisch platform. Het systeem is gestructureerd in drie primaire modules: localisatie en mapping aan boord, globale padplanning en padvolging.

1. Localisatie en Mapping aan Boord:
   Het systeem maakt gebruik van een tweelaagse schattingsarchitectuur. Een lokale Extended Kalman Filter (EKF) fuseert data van wielen en IMU met hoge frequentie met scan-gebaseerde odometrie met lagere frequentie (LiDAR-Inertiaal of LiDAR-Inertiaal-Visueel) om soepele, hoogfrequente state-feedback te leveren voor de controller. Op globaal niveau corrigeert een tweede schatter de lokale odom-frame tegen een 2D-bezettingskaart met behulp van ICP-gebaseerde scan-naar-kaart matching. Voor mapping maakt het systeem gebruik van FAST-LIVO2 voor normale verlichting en FAST-LIO2 als back-up voor omstandigheden met weinig licht, waarbij een geregistreerde 3D-puntenwolk wordt gegenereerd die wordt geprojecteerd in een 2D-bezettingsrooster voor navigatie over de grond.

2. Padplanning:
   De globale planner maakt gebruik van een verbeterd A*-algoritme op een 2D-roosterkaart. Om veiligheid te waarborgen, worden obstakels uitgebreid op basis van de afmetingen van het voertuig. De kostenfunctie is aangepast om richtingsveranderingen te bestraffen, waardoor soepelere paden worden aangemoedigd. Na-verwerking verwijdert overbodige buigpunten om het traject verder te gladstrijken. Tijdens uitvoering update een lokaal obstakelvermijdingsmodule het referentepad dynamisch met C2-gladde krommen (Bézier-krommen) om rond bewegende obstakels te navigeren terwijl de globale route behouden blijft.

3. Padvolging (A-GMPC):
   De kerninnovatie ligt in de controller voor padvolging. De auteurs vergelijken een standaard Model Predictive Control (MPC)-baseline (met gebruik van gelijnde Euclidische error-toestanden) met een voorgestelde Ackermann Geometric MPC (A-GMPC).

   • Geometrische Formulering: A-GMPC definieert volgfouten direct op de $SE(2)$-manifold in plaats van in de Euclidische ruimte, wat de ruimtelijke consistentie verbetert.
   • Optimalisatie van Input-Increment: Om de fysieke beperkingen van Ackermann-sturing aan te pakken en agressieve besturingsacties te voorkomen, optimaliseert de controller het input-increment ($\Delta u_k$) in plaats van de absolute input. Dit straft snelle veranderingen in sturing en snelheid af, wat soepelere actuaties bevordert.
   • Implementatie: De controller lost een kwadratisch optimalisatieprobleem met een eindige horizon op, onderworpen aan actuatorgrenzen, en converteert de geoptimaliseerde lineaire/hoekige snelheidscommando's naar Ackermann-stuurhoeken ($\delta$) via het kinematische fietsmodel.

Belangrijkste Bijdragen
Het artikel schetst drie primaire bijdragen:

• Een Complete Simulatie-naar-Realiteit Pijplijn: De auteurs presenteren een geïntegreerd kader dat localisatie aan boord, padplanning en padvolging integreert, eerst gevalideerd in Gazebo-simulatie en vervolgens op een fysieke robot.
• Integratie van A-GMPC: Het werk introduceert een op Ackermann gerichte Geometrische MPC-controller in een geïntegreerde autonomie-stack. Deze controller maakt gebruik van $SE(2)$-geometrische error-formuleringen en optimalisatie van input-increment om de soepelheid en nauwkeurigheid van de volging voor niet-holonomische platformen te verbeteren.
• Open-Source Release: De experimentele opstelling, broncode en resultaten zijn beschikbaar gesteld aan de gemeenschap om reproduceerbaarheid en verder onderzoek te faciliteren.

Resultaten
Het kader werd geëvalueerd via zowel simulatie als real-world experimenten met lemniscaat- en vierkante trajecten bij verschillende snelheden (0,6 m/s tot 1,5 m/s).

• Padplanning: Het verbeterde A*-algoritme genereerde paden die korter waren (22,35 m versus 25,52 m) en aanzienlijk soepeler (totale draaihoek van 170,55° versus 3712,50°) in vergelijking met de baseline, zij het met een lichte toename in planningstijd.
• Padvolging (Simulatie): A-GMPC vertoonde een lagere Root Mean Square Error (RMSE) dan de standaard MPC op beide trajecten, met een opmerkelijke verbetering op het lemniscaat-traject (0,0764 m versus 0,1215 m).
• Padvolging (Realiteit): In fysieke experimenten presteerde A-GMPC consistent beter dan de standaard MPC bij alle geteste snelheden en trajecten. Bijvoorbeeld, bij 1,5 m/s op een vierkant traject bereikte A-GMPC een RMSE van 0,6182 m, vergeleken met 1,1475 m voor de standaard MPC. De resultaten geven aan dat de geometrische formulering en optimalisatie van input-increment volgfouten tijdens scherpe manoeuvres effectief verminderen.
• Uitvoeringstijd: Beide controllers opereerden binnen de vereiste 30 Hz besturingslus (33,3 ms), wat de haalbaarheid in real-time bevestigt.

Betekenis en Claims
Het artikel beweert dat de voorgestelde aanpak de haalbaarheid demonstreert van een robuuste simulatie-naar-realiteit implementatie voor autonome mobiele robots. Door moderne planning- en volgmodules te integreren in een geïntegreerd systeem aan boord, legt het werk een praktische pijplijn vast die de kloof tussen simulatie en realiteit overbrugt. De auteurs benadrukken dat simulatie een effectieve basis biedt voor het ontwikkelen van betrouwbare systemen, mits de besturingsstrategieën (zoals A-GMPC) zijn ontworpen om de specifieke kinematische beperkingen en actuatorbeperkingen van fysieke hardware aan te pakken. Het werk claimt niet alle uitdagingen in dynamische buiten-navigatie op te lossen, maar biedt wel een gevalideerd kader voor soepele, veilige en autonome navigatie op platformen met Ackermann-sturing. Toekomstig werk wordt geïdentificeerd als het richten op robuuste volging van mensen en bewegende objecten in complexere omgevingen.