Navigace a plánovaní pohybu mobilního robotu

Abstract

Tato práce se zabývá návrhem a implementací modulárního systému pro autonomní mobilní robotiku s využitím frameworku ROS 2 (Robot Operating System 2). Cílem projektu bylo vytvořit ucelenou softwarovou architekturu pro řízení robota s Ackermannovým řízením, vybaveného senzory pro vnímání okolního prostředí a komunikačním rozhraním CAN pro připojení výkonové elektroniky. Jako hlavní výpočetní jednotka byl použit jednočipový počítač Raspberry Pi 4 Model B+, doplněný o 2D LiDAR Slamtec A1M8 a rozhraní CAN HAT pro připojení k pohonným jednotkám. Systém byl dále rozšířen o mikrokontrolérovou jednotku STM32F103 Nucleo a transceiver MCP2551 pro samostatné zpracování CAN komunikace a připojení ultrazvukových senzorů.

Na úrovni softwaru byly implementovány uzly v jazyce Python, které zajišťují zpracování dat z LiDARu, lokální plánování trajektorie pomocí algoritmu VFH (Vector Field Histogram), řízení přes PID regulátor, i zpětnou vazbu z pohonného systému. K navigaci byla integrována knihovna nav2, která využívá plánování cest na základě mapy v kombinaci s lokálním vyhýbáním se překážkám. Vizualizace systému byla realizována v prostředí RViz 2, přičemž byl plně využit transformační systém TF2 pro správu souřadnicových rámců.

This work presents the design and implementation of a modular system for autonomous mobile robotics using the ROS 2 (Robot Operating System 2) framework. The goal of the project was to develop a complete software architecture for controlling an Ackermann-steered robot equipped with perception sensors and a CAN communication interface for connecting to the drive electronics. The main computing unit is a Raspberry Pi 4 Model B+, integrated with a 2D LiDAR Slamtec A1M8 and a CAN HAT for direct communication with motor controllers. The system is further extended by an STM32F103 Nucleo microcontroller and an MCP2551 CAN transceiver for real-time handling of CAN traffic and interfacing ultrasonic sensors.

On the software level, custom Python ROS 2 nodes were developed to handle LiDAR data processing, local trajectory planning using the Vector Field Histogram (VFH) algorithm, PID-based speed regulation, and feedback from the motor drive system. For navigation, the nav2 stack was integrated, enabling path planning based on a static or SLAM-generated map and dynamic obstacle avoidance. Visualization was provided via RViz 2, fully utilizing the TF2 transformation system for managing coordinate frames in real-time.