Rozdział 1
Lokalizacja robota mobilnego w przestrzeni roboczej jest zwykle kluczowym elementem zapewniającym możliwość wykonywania powierzanych mu zadań. Komplementarna w stosunku do powyższego jest znajomość otoczenia, w którym przyjdzie robotowi pracować, gdyż lokalizacja musi być zawsze wykonywana względem odpowiedniego układu odniesienia. Im większą ilość danych o środowisku posiada robot, tym dokładniej potrafi się zlokalizować (tzw. samolokalizacja) i wykonać zadanie, np. transportu, inspekcji, konserwacji, itp.
O wymienionych kwestiach przekonywało się na przestrzeli lat coraz większe grono naukowców i inżynierów z całego świata. Współcześnie jednym z kluczowych zagadnień jest „SLAM” (ang. Simultaneous Localisation and Mapping - ustawiczna lokalizacja i mapowanie). Problematyka ta początkowo rozwijana była przez Durrant-Whyte’a i J. Leonarda [BDW94, LDW91b]. Podana metoda polega na zaopatrzeniu robota mobilnego w narzędzie generujące mapę otoczenia i jednocześnie estymujące jego pozycję za pomocą fuzji danych nawigacyjnych z wykorzystaniem EKF (ang. Extended Kalman Filter - rozszerzony filtr Kalmana) [LDW91a].
Zarówno budowa mapy jak i proces lokalizacji wymagają zamontowania na pokładzie robota odpowiednich sensorów. Na podstawie zwracanych przez nie sygnałów kształtowany jest model numeryczny otaczającego świata. Najczęściej wykorzystywane są w tym celu czujniki odległości, przede wszystkim skanery laserowe, do celów uzupełniających stosuje się także dalmierze ultradźwiękowe. Spotyka się również rozwiązania wykorzystujące sensory wizyjne.
Niniejsza praca przedstawia szczegółowo proces przetwarzania surowych danych otrzymywanych ze skanera laserowego, ich późniejszą analizę i ekstrakcję cech używanych do bu-
1