[RIS : 프로젝트 종료]

• Project 목적 : 자율주행 로봇 플랫폼 개발
• Project 수행 기간 : 2022.09.01 ~ 2023.02.28 (6개월)
• 참여 인원 : Hardware 2명, Software 3명

 

- System 구성 

• OS : Ubuntu 20.04 - ROS Noetic
• Controller Board : Jetson Xavier NX

System Block Diagram

 

1) Hardware 구성

• 2개의 구동 Motor + 1개의 Caster Wheel의 2Wheel - Differential - Drive Mobile Robot의 형태 (3점 지지)

Hardware 구성 내용

 

• Solid Works를 통해 Robot의 Hardware 설계 진행
• 알루미늄으로 밑바닥을 구성하고, 3D 프린터를 통해 외피 제작

Robot 내부 구성

외피 부착 후 사진

 

 

2) 사용 센서, 부품

• Motor : MDRobot - MDH100
• Motor Driver : MD200T
• IMU : iAHRS
• Lidar : RPLidar A2
• Depth Camera : RealSense D455
• rules file을 통해 각 센서들의 USB 포트에 대한 Symbolic Link를 생성하여 사용

각 센서에 대한 Symbolic Link

 

 

3) Navigation Stack 구성

• 로봇의 Navigation을 위해 필요한 각 센서들에 대한 package들과 ROS의 여러 기능 (TF, AMCL, EKF, Costmap, Base Local Planner, Map server)들을 포함하는 Navigation Stack 구성

 1. TF(Transformation)구성 : 서로 다른 좌표계에서 받아오는 센서 데이터값을 base_link로 통일시킴

 2. Motor Driver, IMU, Lidar 동시 구동

 3. EKF(Extended Kalman Filter)를 통해 Motor의 Encoder 값과 IMU 센서의 data를 Fusion

• Kalman Filter는 Linear System에만 사용 가능하므로 Non-Linear System인 Robot에 적용시킬 수 있는 Extended Kalman Filter 사용

 4. Global / Local Costmap 구성 : SLAM을 통해 얻은, 현실 세계에 있는 장애물에 대한 정보를 .yaml file을 통해 이 두 costmap들에 저장

• Global Costmap : SLAM을 통해 얻은 Static Map으로부터 만들어지며 새로운 장애물이 나타난다거나 하는 등의 환경이 바뀌더라도 변하지 않음
• Local Costmap : Robot의 sensor data로부터 실시간으로 장애물에 대한 정보를 얻으며 만들어짐. Local Planner가 이를 토대로 odometry와 laser data를 계속 확인하며 충돌이 없는 local plan을 선택함

Global(왼쪽) / Local Costmap(오른쪽)

 5. Map server : SLAM을 통해 얻은 map을 map server를 통해 불러옴

 6. Move Base Node 구성 : Costmap과 Local Planner를 포함

• Local Planner로는 DWA 사용

 

Node Graph

TF Tree

- 수행 성과

1) SLAM

• Hector / Cartographer SLAM을 통한 Mapping 진행
  • Hector SLAM은 Odometry 정보를 필요로 하지않아 Lidar 만으로 Mapping 가능 
  • Cartographer SLAM은 Odometry 정보를 토대로 비교적 정밀한 Mapping 가능
• 따라서 Navigation에는 Cartographer SLAM을 통해 작성한 Map 사용

Hector SLAM

Hector SLAM 결과물

 

Cartographer SLAM

Cartographer SLAM 결과물

 

 2) Navigation

• SLAM을 통해 작성한 Map 상에서의 Navigation 진행
• Rviz 화면에 Map Topic을 불러온 후 '2D Pose Estimate' 버튼을 통해 AMCL에 Robot의 초기 위치를 부여
• 그 후 Turtlebot3 Teleoperation Package를 통해 Robot을 조금씩 움직이며 Particle들을 수렴시킴

Particle 수렴 과정

 

• Particle 수렴 후 '2D Goal' 버튼을 통해 Robot에 목표 지점 부여 

Rviz에서의 목표 지점 부여

 

• DWA Local Planner를 통해 장애물을 회피하며 목표 지점까지 이동

DWA Local Planner 사용 화면

 

Navigation 진행 영상

 

- 향후 목표 

• ROS version을 1에서 2로 교체
• Rviz 아닌 좌표값 부여를 통한 로봇 이동
• TEB 등의 다른 Local Planner 사용
• Real Time 확보 + AMCL, DWA의 parameter 조정을 통한 더 매끄러운 Navigation 구현
• Depth Camera를 통한 낮은 높이의 장애물 인식

 

 

- 관련자료

소스 코드

https://github.com/YoungSeong98/Project_RIS

GitHub - YoungSeong98/Project_RIS

 

각 과정에 대한 상세 설명

 1. External Memory 사용

https://youngseong.tistory.com/113

[RIS] 12/1 (sdkmanager USB, external memory 사용)

 2. MDAS를 통한 Motor Driver 설정

https://youngseong.tistory.com/119

[RIS] 12/26 (MDAS)

 3. 각 센서의 USB Port에 대한 Symbolic Link 생성

https://youngseong.tistory.com/121

[RIS] 1/2 (USB 장치의 Symbolic Link 생성법)

 4. 모터 드라이버 관련 문제점 해결

https://youngseong.tistory.com/122

[RIS] 모터 드라이버(MD 200T) 관련 문제점 (12/15 ~ 1/10. 해결)

 5. Initial Pose / Goal Publisher 생성

https://youngseong.tistory.com/127

[RIS] 1/9 (initial pose/goal, odometry publisher, ekf)

 6. Navigation Stack 구성

https://youngseong.tistory.com/130

[RIS] 1/11 (Navigation Stack 구성 완료)

7. Navigation 관련 문제점 해결

https://youngseong.tistory.com/143

[RIS] Navigation 관련 오류 (2/24 해결)