Đối với vấn đề tái cấu trúc môi trường, tham số để đánh giá sẽ bao gồm : Tốc độ gói tin point cloud được chèn vào bản đồ; Tần số cập nhập gói tin bản đồ; Mức độ chiếm dụng RAM của bản đồ.
Sau một thực nghiệm, việc tái cấu trúc môi trường trong mô phỏng được thực hiện độc lập trên mỗi ROS node khác nhau với các thông số cấu hình : Độ chi tiết mỗi ô là 40cm; Global Map độ sâu của Octree là 16; Local Map độ lớn của grid là 16*16*16.
Sau khi thực hiện qua cả ba mô hình mô phỏng, ta có được bảng 5.7. Đầu tiên, tham số tốc độ một gói tin point cloud từ sensor được thêm vào trong bản đồ (đơn vị ms). Bảng cho thấy tốc độ thêm gói tin point cloud vào Local Map nhanh gấp 10 lần Global Map. Tiếp theo đó là dung lượng ram sử dụng cho của Global Map nhiều gấp 2.3 lần so với Local Map.
Từ tốc độ xử lý tác vụ thêm như vậy, tiếp theo ta so sánh tốc độ cập nhập gói tin bản đồ (đơn vị Hz) theo thời gian thực trong suốt quá trình di chuyển của từng loại bản đồ. Hình 5.22 cho ta thấy, gói tin bản đồ từ Local Map có thời gian cập nhập khoảng 7.4Hz (135ms), nhanh gần gấp đôi so với Global Map.
Hình 5.22: So sánh tốc độ cập nhập gói tin bản đồ theo thời gian trên giả lập.Qua các tham số so sánh như trên ta thấy được rằng, việc sử dụng Local Map để đáp Qua các tham số so sánh như trên ta thấy được rằng, việc sử dụng Local Map để đáp ứng các tác vụ cần tương tác theo thời gian thực là hoàn tòan khả thi. Bên cạnh đó, để sử dụng bản đồ cho các nhiệm vụ sau đó, cấu trúc Octomap mang đến sự linh hoạt và gọn nhẹ phù hợp cho các hệ thống máy tính nhúng nhỏ gọn.
5.3.2 Thí nghiệm thực tế
Đối với các thí nghiệm thực tế, để đảm bảo tính ổn định của hệ thống như đã trình bày ở phần 5.1.1, cần phải giới hạn xung nhịp của Jetson Nano chỉ còn 4-core ARM A57 @ 1.2 GHz. Còn về GPU NVIDIA Maxwell architecture with 128 NVIDIA CUDA®cores và RAM 4GB không có sự thay đổi. Tuy nhiên, do tình hình của đại dịch Covid-19, việc đánh giá bay thực tế trở nên bất khả thi với nhóm. Vì thế nhóm chỉ có thể thực nghiệm đánh giá các yếu tố sau : đánh giá khối ước tính trạng thái (VIO) trong nhà và ngoài trời; thời gian chạy giải thuật xây dựng quỹ đạo chuyển; thời gian chèn gói tin vào bản đồ, thời gian đáp ứng của gói tin bản đồ.
Ước tính trạng thái Như đã đề cập ở phần 5.1.2, để đánh giá cụ thể hơn khả năng đáp ứng từ khối ước tính trạng thái, nhóm tiến hành thực hiện 2 thí nghiệm như sau :
• Di chuyển trong nhà : Lúc này, khối EKF2 của PX4 không thể hoạt động do không đủ tín hiệu GPS. Do đó, việc xác định vị trí của UAV hoàn toàn dựa vào khối ước tính trạng thái (VIO). Hình 5.23 cho ta thấy việc sử dụng VINS-Mono là đầu vào
(a) Vị trí được ước tính từ VINS-Mono. (b) Vị trí được ước tính từ EKF2 với đầu vào từ VINS-Mono.
Hình 5.23: Sử dụng VINS-Mono trong việc ước tính trạng thái trong nhà.
cho khối EKF2 của PX4 mang đến sự chính xác chấp nhận được cho việc di chuyển trong nhà.
• Di chuyển ngoài trời: Ở phần 5.1.2, ta thấy rằng việc chỉ sử dụng GPS cho khối EKF2 là không khả thi cho bài toán. Bên cạnh đó, do hỗ trợ từ Firmware PX4 cho phép kết hợp sử dụng cả VIO và GPS. Nên cần phải so sánh việc sử dụng này với cùng một quỹ đạo. Hình 5.24 cho ta thấy việc phối hợp sử dụng VINS-Mono và GPS là không khả thi. Việc sai số này có thể đến từ chất lượng GPS mà nhóm sử dụng. Từ những đánh giá thực tế ở trên, nhóm quyết định sử dụng VINS-Mono là khối ước tính trại thái cho toàn bộ hệ thống của mình.
Đánh giá Sau việc thực nghiệm, nhóm thấy được việc sử dụng VINS-Mono cho khối ước tính trạng thái đối với hệ thống thực tiễn là hoàn toàn khả thi.
Xây dựng quỹ đạo và tái tạo bản đồ Do tình hình phức tạp của dịch covid-19, việc thực hiện bay và đánh giá ngoài trời là không khả thi tại thì điểm hiện nay. Được sự đồng ý của thấy hướng dẫn, nhóm tiến hành các thực nghiệm khách quan trong nhà như sau :
• Đối với khối xây dựng quỹ đạo, nhóm tiến hành đánh giá khối Global Planning từ điểm (0,0,0) đến điểm (5,0,1.75) với giải thuật InformedRRT* với thông số thời gian thực thi giải thuật là 138 ms, thời gian tối ưu quỹ đạo là258 ms, và số lượng waypoints là 6.
(a) Vị trí được ước tính từ VINS-Mono.
(b) Vị trí được ước tính từ EKF2 sử dụng
VINS-Mono và GPS. (c) Vị trí được ước tính từ EKF2 với chỉVINS-Mono.
Hình 5.24: So sánh 3 khối ước tính trạng thái với cùng một quỹ đạo di chuyển. trường trong thực tế. Một số tinh chỉnh về thông số trên cảm biến Intel Realsense D435i được nhóm thực nghiệm và cho ra kết quả tốt nhất như sau : Với thông số thời gian chèn trung bình của Global Map 600 ms có dung lượng ram sử dụng là 350 Mb và thời gian đáp ứng gói tin bản đồ là2.3Hz. Còn ởLocalMap thì thông số thời gian chèn trung bình là 128 ms, dung lượng ram sử dụng là 150 Mb và thời gian đáp ứng gói tin bản đồ là 4.8Hz.
(a) Dữ liệu pointcloud từ cảm biến Re-
alsense D435i. (b) Dữ liệu octomap được xây dựng.
Hình 5.25: Minh họa sử dụng hệ thống tái tạo môi trường trong thực tế.
Kết luận Sau những thực nghiệm thực tế với kết quả rất khả quan, nhóm tin rằng việc hệ thống có thể đáp ứng tốt trong điều kiện thực tế là hoàn toàn khả thi. Sau khi tình hình dịch ổn định, nhóm chắc chắn sẽ tiến hành thực nghiệm bay thử và đánh giá một lần nữa vì đó luôn là kết quả mà nhóm mong được nhất.
Như vậy, qua việc xây dựng hệ thống và đánh giá kết quả thực nghiệm trên cả mô phỏng và thực tế đã cho thấy rằng hệ thống hoàn toàn đáp ứng được những nhiệm vụ đã đề ra của đề tài này. Ở chương tiếp theo nhóm sẽ tổng kết và tiến hành đánh giá đề tài.
Tổng kết
Trong chương này, nhóm sẽ tổng kết quá trình nghiên cứu, hiện thực và đánh giá hệ thống phương pháp được đề xuất. Bao gồm kết quả đạt được, những thuận lợi, khó khăn cũng như thách thức đã trải qua. Đồng thời, nhóm sẽ đề xuất hướng phát triển từ kết quả của đề tài.
6.1 Tổng kết
Đề tài tập trung vào việc xây dựng một hệ thống UAV có khả năng tự động tái cấu trúc môi trường và xây dựng quỹ đạo di chuyển an toàn đến một điểm bất kỳ. Nhóm lên kế hoạch nghiên cứu và xây dựng một hệ thống đồng bộ từ phần cứng tới phần mềm để giải quyết bài toán đặt ra.
Kết quả
Sau quá trình nghiên cứu và phát triển, nhóm đã thu được những kết quả sau : • Hiện thực thành công hệ thống tái cấu trúc môi trường chưa biết trước theo thời gian
thực phục vụ cho nhiệm vụ xây dựng quỹ đạo di chuyển và lưu trữ để sử dụng cho những tác vụ khác.
• Đánh giá các phương pháp tìm đường đi và đề xuất thành công phương pháp giải quyết bài toán xây dựng quỹ đạo di chuyển an toàn cho máy bay không người lái theo thời gian thực.
• Xây dựng mô hình giả lập dựa trên phần cứng để đánh giá chính xác hiệu quả của toàn bộ hệ thống trước khi thực nghiệm thực tế.
• Kiểm thử và đánh giá khối ước tính trạng thái (VIO) đối với hệ thống phần cứng của nhóm phù hợp với yêu cầu bài toán thực tiễn.
• Thiết kế và hoàn thiện hệ thống máy bay không người lái với chi phí thấp. Từ đó, đánh giá được tính khả thi của đề tài trong thực tiễn.
Hạn chế
Mặc dù nhóm đã thực hiện đầy đủ các nhiệm vụ đặt ra nhưng vẫn còn giới hạn nhất định :
• Việc sử dụng hai loại bản đồ dẫn tới tốn bộ nhớ và tài nguyên tính toán.
• Sử dụng dựa trên ROS và giao tiếp với nhau qua cơ chế gửi nhận gói tin nên độ trễ trong quá trình chuyển qua lại giữa Global Planning và Local Planning còn lớn. Ảnh hưởng đến an toàn bay.
• Vận tốc bay trong thực tế còn hạn chế ở 0.4 m/s. Do giới hạn của khối ước tính trạng thái và Mapping, nếu như bay ở vận tốc cao hơn sẽ không kiểm soát được việc an toàn bay.
• Chưa kiểm tra được việc bay thực tế của toàn bộ hệ thống do ảnh hưởng của đại dịch Covid-19.
Khó khăn
Việc nghiên cứu và phát triển một hệ thống giải pháp từ phần cứng tới phần mềm thường gặp rất nhiều khó khăn, điển hình như :
• Việc đánh giá các giải thuật và hệ thống phần mềm phải dựa trên phần cứng thực tế. Quá trình đánh giá này ảnh hưởng rất lớn đến tiến độ của đề tài.
• Trên cơ sở tự thiết kế hệ thống phần cứng, việc lắp ráp các thành phần riêng lẻ với nhau cần rất nhiều thí nghiệm thực tế để tinh chỉnh các tham số bay dựa trên cảm qua và thông số chuyến bay.
• Cả hai thành viên của nhóm đều là sinh viên chuyên ngành Khoa học máy tính nên không có kinh nghiệm về điện tử và mô hình động học của máy bay.
• Việc ảnh hưởng của đại dịch Covid-19 khiến việc tiến thành thực nghiệm ngoài thực tế của nhóm gặp rất nhiều khó khăn.
6.2 Hướng phát triển
Việc xây dựng quỹ đạo di chuyển an toàn là một tiêu chí cơ sở tiến tới xây dựng một hệ thống máy bay không người lái hoàn toàn tự động. Bản thân các thành viên trong nhóm đều rất muốn hướng tới để hoàn thành một số hướng phát triển như sau :
• Xây dựng hệ thống bay tự động trong môi trường động (có vật thể di chuyển như xe cộ, con người,...).
• Xây dựng hệ thống theo dõi đối tượng dựa trên máy bay không người lái. • Xây dựng hệ thống tự động khám phá môi trường chưa biết trước.
[1] E. Kaufmann, A. Loquercio, R. Ranftl, A. Dosovitskiy, V. Koltun, and D. Scaramuzza. Deep drone racing: Learning agile flight in dynamic environments. In : IEEE Trans- action on Robotics (T-RO) journal, 2019.
https://arxiv.org/pdf/1905.09727.pdf
[2] PX4 - the Open source Professional Autopilot.
https://px4.io/
[3] Fischler, M. A.; Bolles, R. C. Random Sample Consensus: A Paradigm for Model Fitting with Applications to Image Analysis and Automated Cartography. In : Com- munications of the ACM (1981). 24 (6): 381–395.
https://dl.acm.org/doi/10.1145/358669.358692
[4] Georg Klein, David Murray. Parallel Tracking and Mapping for Small AR Workspaces, In : Proc. International Symposium on Mixed and Augmented Reality, 2017.
https://www.robots.ox.ac.uk/~gk/PTAM/
[5] Raul Mur-Artal, J. M. M. Montiel, Juan D. Tardos. ORB-SLAM: a Versatile and Accurate Monocular SLAM System, In : IEEE Transactions on Robotics, vol. 31, no. 5, pp. 1147-1163, October 2015.
https://arxiv.org/abs/1502.00956
[6] Richard A. Newcombe; Steven J. Lovegrove; Andrew J. Davison. DTAM: Dense track- ing and mapping in real-time, In :International Conference on Computer Vision, 2011.
https://doi.org/10.1109/ICCV.2011.6126513
[7] J. Engel, T. Sch¨ops and D. Cremers. LSD-SLAM: Large-Scale Direct Monocular SLAM, In: IEEE Transactions on Robotics ( Volume: 34, Issue: 4), 2018.
https://vision.in.tum.de/research/vslam/lsdslam
[8] Tong Qin , Peiliang Li , and Shaojie Shen. VINS-Mono: A Robust and Versatile Monocular Visual-Inertial State Estimator, In: 2013 IEEE International Conference
on Computer Vision, 2013.
https://ieeexplore.ieee.org/document/8421746
[9] Sertac Karaman, Emilio Frazzoli. Sampling-based Algorithms for Optimal Motion Planning, May. 2011.
https://arxiv.org/abs/1105.1186
[10] https://en.wikipedia.org/wiki/Motion_planning
[11] Amit Patel. Inroduction to A*
http://theory.stanford.edu/~amitp/GameProgramming/AStarComparison.html
[12] Jonathan D. Gammell, Siddhartha S. Srinivasa, Timothy D. Barfoot. Informed RRT*: Optimal Sampling-based Path Planning Focused via Direct Sampling of an Admissible Ellipsoidal Heuristic. April 2014.
https://arxiv.org/abs/1404.2334
[13] Vladyslav Usenko, Lukas von Stumberg, Andrej Pangercic, Daniel Cremers. Real- Time Trajectory Replanning for MAVs using Uniform B-splines and a 3D Circular Buffer. Mar 2017.
https://arxiv.org/abs/1703.01416
[14] Charles Richter, Adam Bry, Nicholas Roy. Polynomial Trajectory Planning for Ag- gressiveQuadrotor Flight in Dense Indoor Environments. 2013.
https://groups.csail.mit.edu/rrg/papers/Richter_ISRR13.pdf
[15] D. Mellinger and V. Kumar. Minimum snap trajectory generation and control for quadrotors, InIEEE International Conference on Robotics and Automation, pp. 2520- 2525, 2011.https://ieeexplore.ieee.org/document/5980409
[16] H. Oleynikova, M. Burri, Z. Taylor, J. Nieto, R. Siegwart and E. Galceran. Continuous-time trajectory optimization for online UAV replanning, In IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS), pp. 5332-5339, 2016. https://ieeexplore.ieee.org/document/7759784
[17] Guillaume Lozenguez, Lounis Adouane, Aurélie Beynier, Philippe Martinet: Punc- tual versus continuous auction coordination for multi-robot and multi-task topological navigation, In:Autonomous Robots,599–613, 2015.
https://doi.org/10.1007/s10514-015-9483-7
[18] A. Elfes , H. Moravec. High resolution maps from wide angle sonar, In:IEEE Inter- national Conference on Robotics and Automation,116–121, 1985.
https://doi.org/10.1109/ROBOT.1985.1087316
[19] Bresenham J. E. Algorithm for computer control of a digital plotter, In:IBM Systems Journal, vol.4 p.25-30, 1965.
https://doi.org/10.1147/sj.41.0025
[20] Armin Hornung, Kai M Wurm, Maren Bennewitz, Cyrill Stachniss, and Wolfram Burgard. Octomap: An efficient probabilistic 3d mapping framework based on octrees., In: Autonomous Robots, 34(3):189–206, 2013.
https://doi.org/10.1007/s10514-012-9321-0
[21] V. Usenko, L. von Stumberg, A. Pangercic, D. Cremers. Real-Time Trajectory Re- planning for MAVs using Uniform B-splines and 3D Circular Buffer, In: International Conference on Intelligent Robots and Systems (IROS), 2017.
https://doi.org/10.1109/IROS.2017.8202160
[22] P. Felzenszwalb, D. Huttenlocher. Distance Transforms of Sampled Functions, In: Theory of Computing, Vol. 8, No. 19, September 2012.
http://cs.brown.edu/people/pfelzens/dt/
[23] Luxin Han, Fei Gao, Boyu Zhou, Shaojie Shen. FIESTA: Fast Incremental Euclidean Distance Fields for Online Motion Planning of Aerial Robots, In: IEEE/RSJ Inter- national Conference on Intelligent Robots and Systems (IROS), 2019.
http://cs.brown.edu/people/pfelzens/dt/
[24] S. Liu, M. Watterson, S. Tang, and V. Kumar. High speed navigation for quadrotors with limited onboard sensing, In:EEE International Conference on Robotics and Au- tomation (ICRA), pp. 1484–1491, 2016.
https://doi.org/10.1109/icra.2016.7487284
[25] B. T. Lopez and J. P. How. Aggressive collision avoidance with limited field-of- view sensing, In: IEEE/RSJ International Conference on Intelligent Robots and Sys- tems(IROS), pp. 1358–1365, 2017.
https://doi.org/10.1109/iros.2017.8202314
[26] M. Kleinbort, K. Solovey, Z. Littlefield, K. E. Bekris and D. Halperin, "Probabilistic Completeness of RRT for Geometric and Kinodynamic Planning With Forward Prop- agation," in IEEE Robotics and Automation Letters, vol. 4, no. 2, pp. x-xvi, April 2019, doi: 10.1109/LRA.2018.2888947.
[27] K. Solovey, L. Janson, E. Schmerling, E. Frazzoli and M. Pavone, "Revisiting the Asymptotic Optimality of RRT*," 2020 IEEE International Conference on Robotics and Automation (ICRA), 2020, pp. 2189-2195, doi: 10.1109/ICRA40945.2020.9196553.