Пономарев Е.Е. Защита

1.

Выпускная квалификационная работа
Разработка системы активного локального
позиционирования мобильных роботов на основе
данных лидара в условиях закрытых помещений
Работу выполнил: студент группы РТК-1-2022 Пономарев Евгений Егорович
Научный руководитель: Кнутова Наталия Сергеевна, старший преподаватель ИКНТ
Пермь 2026

2.

Актуальность
Актуальность данной работы обусловлена следующими факторами:
● Активное применение автономных мобильных роботов для решения задач в различных
сферах.
● Невозможность использования систем спутниковой навигации в помещениях.
● Отсутствие универсального программного модуля глобальной локализации.
Актуальные исследования:
● «Deep Robot Localization», 2020
● «A Survey on Global LiDAR Localization: Challenges, Advances and Open Problems», 2024
● «Neural Network Structure Design for LiDAR Localization of Robot Vehicles», 2025
2/13

3.

Сравнение существующих решений
Тест
AMCL
Cartographer
Ошибка позиции, м
Ошибка угла, °
Ошибка позиции, м
Ошибка угла, °
1
5.04
118.6
2.74
42.1
2
9.56
70.8
11.98
148.5
3
2.31
156.5
4.31
166.3
4
7.12
50.3
3.78
75.8
5
10.54
76.1
8.44
93.2
Adaptive Monte Carlo Localization – стандартное решение для задач локализации.
Cartographer – популярный аналог.
Вывод на основе полученных результатов:
Точность определения позиции робота рассмотренных алгоритмов сопоставима с
случайным угадыванием.
3/13

4.

Цель и задачи
Цель работы: спроектировать и разработать программный модуль для системы ROS,
обеспечивающий определение текущих координат и ориентации мобильного робота в
помещении путем сопоставления данных 2D-лидара с цифровой картой для
корректной инициализации навигационной системы Nav2.
Задачи:
● Сравнить современные методы глобальной локализации.
● Спроектировать архитектуру системы глобальной локализации.
● Разработать нейронную сеть.
● Подготовить датасет и обучить модель.
● Разработать программный модуль, выполняющий инференс и локализацию
робота.
● Протестировать и провести оценку системы на стабильность и точность
определения местоположения робота.
4/13

5.

Входные и выходные данные
5/13

6.

Архитектура нейронной сети
6/13

7.

Формирование датасета
7/13

8.

Результаты обучения
Ошибка по позиции < 1m
Ошибка по углу < 10°
sin²θ + cos²θ ≈ 0.9
8/13

9.

Алгоритм работы ROS-узла
9/13

10.

Результаты тестирования
Тест
X, м
Y, м
Угол θ, °
Ошибка позиции, м
Ошибка угла, °
1
-1.86
6.02
184.8
2.22
47.4
2
1.53
1.38
214.2
1.21
56.8
3
0.02
5.14
188.8
2.71
7.7
4
0.23
5.66
81.2
1.24
0.3
5
1.16
3.52
300.0
3.72
56.4
6
0.14
6.73
284.6
0.67
18.5
7
-2.89
8.23
304.5
1.91
50.2
8
0.82
3.29
114.4
2.04
54.1
9
1.19
2.64
140.6
1.53
48.1
10
0.10
3.18
332.5
3.11
29.3
Средняя ошибка позиции – 2.04 метра, минимальная ошибка – 0.67 метра,
максимальная ошибка – 3.72 метра.
Средняя ошибка угла – 36.88°, минимальная – 0.3° и максимальная – 56.8°.
10/13

11.

Стек технологий
CNN
11/13
Dataset
ROS2 node

12.

Итоги
Достигнутые результаты
● Спроектирована и разработана свёрточная нейросеть.
● Разработан скрипт сбора данных.
● Создан датасет для обучения нейросети.
● Выполнено обучение нейросети.
● Реализован ROS2-узел, выполняющий локализацию робота.
Перспективы развития
● Обучить модель на датасете, состоящем из более чем 2000 примеров.
● Интеграция нескольких методов глобальной локализации.
● Вместо лазерного скана использовать часть карты, построенного с помощью
алгоритма картографирования.
12/13

13.

Спасибо за внимание!