Разработка системы управления движением роботизированной платформы на основе методов лазерной дальнометрии (LiDAR)

Система управления движением роботизированной платформы должна проектировать маршрут и строить карту движения платформы в режиме реального времени. Разработана система управления движением роботизированной платформы в рядах садовых насаждений на основе технологии измерения расстояний путем излучения света дальномером оптического диапазона датчиком LiDAR. На языке программирования Python в операционной системе Ubuntu и среде визуализации Rviz разработан программный код для планирования пути движения и задания точек траектории движения. Для поиска оптимальной траектории движения применен алгоритм обхода графа и поиска оптимального пути. Изготовлена роботизированная платформа, оснащенная датчиком LiDAR Velodyne Puck (VLP-16) и дальномером Benewake TFmini Plus, измеряющим в режиме реального времени расстояние между роботизированной платформой и моделью дерева яблони через последовательный порт (COM-порт). Оценка точности выполнения движения роботизированной платформы произведена в лабораторных условиях. Эксперимент проводился с использованием люминесцентных газоразрядных ламп Super Lamp Holder SLH3 45W 220v 5500K RoHS, уровень освещенности варьировался от 10000 до 110000 люкс и контролировался с помощью спектрометр-пульсметра Uprtek MF250N. Факторный эксперимент выявил наиболее эффективный режим движения роботизированной платформы по заданной траектории: скорость движения – 2,5 км/ч; освещенность – 109600 лк; расстояние до дерева – 0,5 м. Позиционирование роботизированной платформы относительно каждого дерева в рядах насаждений и автономное выполнение основных технологических операций с отклонением от заданной траектории не более 1,5…2 см отвечают агротехническим требованиям по мониторингу садовых насаждений, внесению средств защиты растений, уборке урожая плодовых культур, контурной обрезке кроны деревьев.

1. Смирнов И.Г., Хорт Д.О., Кутырев А.И. Интеллектуальные технологии и роботизированные машины для возделывания садовых культур // Сельскохозяйственные машины и технологии. 2021. № 15 (4). С. 35-41. https://doi.org/ 10.22314/2073-7599-2021-15-4-35-41 Smirnov I.G., Khort D.O., Kutyrev A.I. Intelligent Technologies and Robotic Machines for Garden Crops Cultivation. Agricultural Machinery and Technologies. 2021;15(4):35-41. (In Rus.) https://doi.org/10.22314/2073-7599-2021-15-4-35-41

2. Al-Sagban M., Dhaouadi R. Neural based autonomous navigation of wheeled mobile robots. Journal of Automation Mobile Robotics and Intelligent Systems. 2016;10(2):64-72.

3. Khort D., Kutyrev A., Kiktev N., Hutsol T., Glowacki S., Kuboń M., Nurek T., Rud A., Gródek-Szostak Z. Automated mobile hot mist generator: A quest for eff ectiveness in fruit horticulture. Sensors. 2022;22(9):3164. https://doi.org/10.3390/s22093164

4. Khort D.O., Kutyrev A.I., Smirnov I.G. Research into the Parameters of a Robotic Platform for Harvesting Apples. Hu Z., Petoukhov S., Yanovsky F., He M. (eds) Advances in Computer Science for Engineering and Manufacturing. ISEM 2021. Lecture Notes in Networks and Systems. 2022;463:149-159. https://doi.org/ 10.1007/978-3-031-03877-8_13

5. Luo C.M., Gao J.Y., Li X.D., Mo H.W., Jiang Q.M. Sensor-based autonomous robot navigation under unknown environments with grid map representation. 2014 IEEE Symposium on Swarm Intelligence. 2014. Рp. 1-7. https://doi.org/10.1109/SIS.2014.7011782

6. Luan P.G., Thinh N.T. Real-time hybrid navigation system-based path planning and obstacle avoidance for mobile robots. Applied Sciences. 2020;10(10):3355. https://doi.org/ 10.3390/app10103355

7. Khort D., Kutyrev A., Filippov R., Kiktev N., Komarchuk D. Robotized platform for picking of strawberry berries. 2019 IEEE International Scientifi c-Practical Conference Problems of Infocommunications. Science and Technology. 2019;869-872. https://doi.org/ 10.1109/PICST47496.2019.9061448

8. Zong C., Ji Z., Yu Y., Shi H. Research on obstacle avoidance method for mobile robot based on multisensor information fusion. Sensors and Materials. 2020;32(4):1159-1170. https://doi.org/ 10.18494/SAM.2020.2540

9. Alajlan A.M., Almasri M.M., Elleithy K.M., Multi-sensor based collision avoidance algorithm for mobile robot. Long Island Systems Applications and Technology. 2015. Рp. 1-6. https://doi.org/ 10.1109/LISAT.2015.7160181

10. Khort D., Kutyrev A., Filippov R., Semichev S. Development control system robotic platform for horticulture. E3S Web of Conferences. 2021;262:01024. https://doi.org/10.1051/ e3sconf/202126201024

11. Almasri M., Elleithy K., Alajlan A. Sensor fusion based model for collision free mobile robot navigation. Sensors. 2016;16(1):24. https://doi.org/10.3390/s16010024

12. Qu D., Hu Y., Zhang Y. The investigation of the obstacle avoidance for mobile robot based on the multi sensor information fusion technology. International Journal of Manufacturing. 2013;1:366-370. https://doi.org/10.7763/IJMMM.2013.V1.79

13. Sharma R.K., Honc D., Dusek F. Sensor fusion for prediction of orientation and position from obstacle using multiple IR sensors an approach based on Kalman fi lter. 2014. International Conference on Applied Electronics. 2014. Рр. 263-266. https://doi.org/ 10.1109/AE.2014.7011716

14. Chandrasenan C., Nafeesa T.A., Rajan R., Vijayakumar K. Multisensor data fusion based autonomous mobile robot with manipulator for target detection. International Journal of Research in Engineering and Technology. 2014;3:75-81.

15. Smirnov I., Kutyrev A., Kiktev N. Neural network for identifying apple fruits on the crown of a tree. E3S Web of Conferences. International scientifi c forum on computer and energy Sciences, WFCES. 2021;01021. https://doi.org/10.1051/e3sconf/202127001021

16. Khort D., Kutyrev A., Smirnov I., Osypenko V., Kiktev N. Computer vision system for recognizing the coordinates location and ripeness of strawberries. Communications in Computer and Information Science. 2020;1158:334-343. https://doi.org/ 10.1007/978-3-030-61656-4_22

17. Sgorbissa A., Zaccaria R. Planning and obstacle avoidance in mobile robotics. Robotics and Autonomous Systems. 2012;60(4):628-638. https://doi.org/10.1016/j.robot.2011.12.009

18. Pandey A., Kumar S., Pandey K.K., Parhi D.R. Mobile robot navigation in unknown static environments using ANFIS controller. Perspectives on Science. 2016;8:421-423. https://doi.org/ 10.1016/j.pisc.2016.04.094

19. Yoon S.W., Park S.B., Kim J.S., Kalman fi lter sensor fusion for mecanum wheeled automated guided vehicle localization. Journal of Sensors. 2015;347379. https://doi.org/10.1155/2015/347379

20. Alatise M., Hancke G. Pose estimation of a mobile robot based on fusion of IMU data and vision data using an extended Kalman fi lter. Sensors. 2017;17(10):2164. https://doi.org/ 10.3390/s17102164

21. Урваев И.Н. Навигация мобильного робота на основе методов лазерной дальнометрии // Измерения. Мониторинг. Управление. Контроль. 2021. № 1 (35). С. 44-51. https://doi.org/ 10.21685/2307-5538-2021-1-5 Urvaev I.N. Mobile robot navigation based on laser range methods. Izmerenie. Monitoring. Upravlenie. Kontrol = Measuring. Monitoring. Management. Control. 2021;1(35):44-51. (In Rus.) https://doi.org/10.21685/2307-5538-2021-1-5