9990200029

Rozdział 1

Wstęp

W ostatnich łatach coraz większym zainteresowaniem cieszą się roboty kroczące. Ich zasadniczą przewagą nad kołowymi robotami mobilnymi jest zdolność poruszania się po nierównym terenie. Kołowe roboty mobilne potrafią przemieszczać się bardzo szybko i sprawnie, jednak wymagają do tego odpowiednio przygotowanego podłoża. Prowadzone w ostatnich latach badania pokazują na przykładzie robota BigDog [16], że współczesne roboty kroczące coraz lepiej radzą sobie z utrzymaniem równowagi i poruszaniem się w trudnym terenie. Prawdopodobnie w przyszłych latach dalszy rozwój technologii i układów sensorycznych pozwoli na stworzenie coraz lepszych konstrukcji.

Poruszanie się po nierównościach wymaga odpowiedniej konstrukcji mechanicznej, układów sensorycznych oraz algorytmów kroczenia. Wraz z wprowadzeniem autonomicz-ności pojawiają się dodatkowo problemy związane z planowaniem bezpiecznej ścieżki, wyborem punktów podporowych oraz stabilnością konstrukcji. Aby móc radzić sobie z tymi problemami, potrzebna jest wiedza o terenie, po którym porusza się robot. Najczęściej reprezentowana jest ona w postaci map wysokości. Mapy takie mogą posłużyć do planowania punktów podporowych oraz ścieżki robota.

W ciągu ostatnich lat przeprowadzono wiele badań z tej dziedziny. Robot planetarny Ambler [11] był jednym z pierwszych robotów kroczących zdolnych do rejestracji otoczenia. Mapa otoczenia budowana była na podstawie danych ze sknera laserowego. Informacje

0    wysokości reprezentowano w postacji dwu wymiarowej siatki, gdzie pojedyncza komórka zawiera informacje o wysokości. Inne podejście przedstawiono w pozycji [8]. Mapa otoczenia budowana była na podstawie techniki probabilistycznej odpartej o model procesu Gausowskiego. Model mapy nie zakładał równej dyskretyzacji przestrzeni w postaci siatki. Dodatkowo poruszono problem planowania punktów podporowych dla robota kroczącego LAURON III. Decyzję podejmowano na podstawie mapy zajętości i mapy wiarygodności. Robot LittleDog [15] również wykorzystuje metody gausowskie do budowania map wysokości. Opracowano metody optymalizacji, obliczeń, oraz rozwinięto proces planowania ruchu robota. Zastosowane techniki budowania map pozwalają na wyciąganie informacji na temat obszarów nie obserwowanych bezpośrednio przez skaner laserowy. Przedstawione badania na rzeczywistym robocie pokazują skuteczność zastosowanych metod. Ciekawą metodę budowania mapy wysokości przedstawiono w pozycji [9]. Estymacja powierzchni tworzona jest przy pomocy algorytmu uczenia opartego na funkcji jądra (ang. kemel-based leaming). Metoda pozwala na jednoczesne szacowanie błędu pomiaru w postaci górnych

1    dolnych ograniczeń. Dodatkowa informacja o pewności pomiaru może być wykorzystana podczas planowania trajektorii robota.