Кейс МГТС · квалификационный этап
Робот-собака строит карту объекта, знает, где находится, и проходит маршрут сам
Лидар + IMU + камера → лидар-инерциальная одометрия → граф поз с замыканием петель → карта → локализация → автономный обход с реакцией на людей и препятствия. Вокруг — живая 3D-симуляция нашего подхода.
Сцена синтетическая и нужна, чтобы показать идею. Финальное решение работает с записью реальных данных робота.
01 · Задача
Инспекционный маршрут по техническому этажу
Робот-собака проходит заданный маршрут через несколько зон инспекции. Есть запись лидара, камеры и IMU. Нужно построить карту объекта, восстановить траекторию и определять положение робота на карте во время движения. Алгоритм должен выдерживать погрешности датчиков и стать основой для автономного обхода с реакцией на статические и движущиеся препятствия.
На сцене — модель узла связи 64 × 40 м: док-станция и пять зон инспекции.
- Z1 Щитовая
- Z2 Серверная / АТС
- Z3 ИБП и АКБ
- Z4 Насосная / ОВК
- Z5 Кабельный ввод
- ⌂ Док-станция
02 · Сенсоры
Каждый датчик закрывает слабость другого
Первый шаг — синхронизировать время и проверить калибровку лидар–IMU–камера. Ошибка в несколько миллисекунд на шагающем роботе уже портит карту.
03 · Одометрия
Почему одной одометрии мало
Если просто интегрировать IMU и кинематику ног, ошибка растёт с каждым метром. Карта из таких поз получается с «двойными стенами».
Голубая линия — лидар-инерциальная одометрия: ESKF прогнозирует движение по IMU и уточняет позу совмещением скана с локальной картой. Зелёная линия — эталонная траектория, она есть только в симуляции.
04 · Карта
Облако точек, граф поз и сетка занятости
- 0точек в воксельной карте, шаг 12 см
- 0ключевых кадров: новый кадр каждый 1 м или каждые 25° поворота
- 0замыканий петель: робот узнаёт место, где уже был, и оптимизирует граф поз
Точки хранятся относительно ключевых кадров. После оптимизации графа карта перестраивается целиком, и «расползшиеся» стены сходятся. Для планирования из облака строится 2D-сетка занятости с шагом 20 см. Люди и тележки в карту не попадают, их отсекает фильтр динамики.
05 · Локализация
Где я на готовой карте?
После картирования робот «забывает» позу. Жёлтые стрелки — гипотезы фильтра частиц, сначала разбросанные по всему объекту. Каждый скан сверяется с картой, неправдоподобные гипотезы отсеиваются, и облако сходится к реальной позе.
Однотипные коридоры дают несколько похожих мест, поэтому в начале облако распадается на несколько кластеров. Дальше позу ведёт скан-матчинг к карте (NDT/ICP), ошибка держится на уровне сантиметров.
Сейчас идёт картирование.
06 · Препятствия
Люди, тележки и то, чего нет на карте
Тележка появится на этапе автономного обхода.
07 · Архитектура
Конвейер решения
- 01Данныеrosbag: лидар, IMU, камера; проверка частот, пропусков и временных метокROS 2 · rosbag2
- 02Предобработкасинхронизация, калибровка лидар–IMU–камера, deskew скана по IMU, фильтрация шумовEigen · PCL
- 03Лидар-инерциальная одометрияESKF: прогноз по IMU, коррекция совмещением скана с локальной картойFAST-LIO2 как бейзлайн
- 04Распознавание местдескрипторы скана и визуальные признаки камеры для поиска петельScan Context · ORB/DBoW
- 05Граф позключевые кадры, рёбра одометрии и петель, робастная оптимизацияGTSAM · iSAM2
- 06Картаглобальное облако (PCD) + 2D-сетка занятости, фильтр динамических объектовOpen3D · OctoMap
- 07Локализацияглобальная инициализация (частицы) → трекинг скан-матчингом к картеNDT/ICP · AMCL
- 08Навигациякарта стоимости с инфляцией, A*, контроллер, остановка и объездNav2-совместимо
- 09ОценкаATE/RPE, дрейф на метр пути, устойчивость локализации, скорость обработкиevo · отчёты
08 · План работ и метрики
С чего начнём
- Разбор записисинхронизация времени, калибровка лидар–IMU–камера, проверка частот и пропусков
- Лидар-инерциальная одометриякомпенсация движения внутри скана по IMU, ESKF, регистрация скана к локальной карте
- Граф поз и замыкание петельгеометрия скана + визуальные признаки камеры, глобальная оптимизация
- Картаоблако точек и 2D-сетка занятости, фильтрация динамических объектов
- Локализация на готовой картеначальная привязка, затем фильтр частиц и скан-матчинг
- Метрики и визуализацияATE/RPE, дрейф на маршрут, 3D-просмотр траектории и карты
09 · Почему мы
Почему мы выбрали этот кейс
Что заинтересовало
Кейс — не учебная задача, а реальный стек: робот-собака, живая запись лидара, камеры и IMU, объект с зонами инспекции. Навигация шагающего робота — точка, где сходятся геометрия, вероятностная оценка и код, который должен работать на железе. Хотим сделать решение, которое можно поставить на робота, а не только показать на слайде.
Основная сложность
Корпус шагающего робота качается при каждом шаге: облако лидара искажается в движении, IMU шумит и дрейфует, одометрия по ногам проскальзывает. Ошибка копится, и без замыкания петель карта «расползается». В технических помещениях много однотипных коридоров и стеллажей — сканы похожи, локализация легко путается. Движущиеся люди и техника оставляют на карте «призраков», если их не отфильтровать.
С чего начнём
Разбор записи и калибровка → лидар-инерциальная одометрия (deskew, ESKF, scan-to-map) → граф поз с замыканием петель → карта и сетка занятости с фильтром динамики → локализация на готовой карте → метрики ATE/RPE и 3D-визуализация.
Что поможет команде
C++ и Python, ROS 2, PCL/Open3D, OpenCV; фильтры Калмана, оптимизация на графах (g2o/GTSAM), 3D-геометрия; опыт с реальными датчиками и шумными данными; веб-визуализация — эту 3D-демо собрали сами.