つくばチャレンジ2016

つくばチャレンジに参加してきました！！
今年の記録は110mでした！
僕は他のメンバーのROSのプログラミングをサポートしたり、プログラムのROS化をサポートしたり、ソフトウエアのバグや障害が発生したときに対処する係でした！


つくばチャレンジとは
ロボットが町を歩ける技術を確立することを目的としたチャレンジです。
ロボットが人間と同じように、自律で公園を走行させ、横断歩道などを渡らせます。
2kmのコースをロボットに走行させます。


今回使ったロボット:UNiMO

UNiMO AI

UNiMO株式会社ナノオプトニクスエナジーが開発したおしゃれな電動車いすです！
http://newatlas.com/unimo-continuous-track-electric-wheelchair/29748/
駆動部にはキャタピラが付いており、雪道・雨道・坂道も気にすることなく走破できます。充電無しで20km走破できます！
 
今回はUNiMOのシリアルポートからUNiMOをArduinoで制御しました。
自律走行のための科学計算はノートPCを使用し、PCとArduinoを通信させて制御しました。
自律制御の安定化のために駆動制御部のArduinoでPID Controllerを実装しています。
なお、ロボットミドルウエアはROSを使用しています。

 
制御システム

測域センサ/ジャイロセンサ -> SLAMプログラム(gmapping) -> move_base関連の自作プログラム -> geometry_msgs/Twist -> Arduino PID Controller -> 駆動部



ROSとは

ROSは世界で最も使用されているロボットのミドルウエアです。
シリコンバレーのロボットベンチャーのWillow Garageが開発し、現在はオープンソースです。
ROSはパッケージシステム, microservicesを採用したプログラミングモデル, 高度なプログラム解析システムがあります。
ROSのコアシステムはTCP/IPとXML-RPCによる通信で実装されているので、通信をさせるプログラムさえ書けばどんなプログラミング言語でもROSプログラムとして使用することが可能です。ROSは主にC++とPythonでプログラミングします。

ROSでプログラミングするイメージとしてはROSはNode.jsのエコシステムに近いです。
(npmパッケージによるプログラムの再利用、Node.jsのモジュール　= ROSのmicroservicesプログラミング(Pub/Subモデルとトピック通信) )
必要な部分だけをプログラミングして、他の部分は既存のパッケージを使用することによって高速にロボットソフトウエアを開発することができます。
バグ解析なども、プログラミングフローグラフ可視化(rqt_graph)、2次元グラフ可視化(rqt_plot)、3D可視化(rviz)、CUI可視化ツール(rostopic)、ロボット制御データの保存・再現(rosbag)機能などを使用してスピーディーに行うことができます。

SLAMとは

Octomap

ロボットの自律走行に重要な技術としてSLAM(Simultaneous Localization and Mapping)があります。
これはロボットが各種センサを使用して、ロボットが走行中に地図を作成し、そしてロボット自身が自己位置を推定する技術です。 自律走行自動車もSLAMを使っています。

なぜ「自己位置を測定」ではなく、「自己位置を推定」であるかというと、SLAMのアルゴリズムはほとんどが確率ベースだからです。
「地点Aである」ではなく、「地点Aである確率がX%, 地点Bである確率がY%, よって地点Aである確率が最も高いので地点Aと推定する」です。

gmapping

つくばチャレンジ2016で採用したUNiMOのSLAMアルゴリズムはgmapping + amclです。
gmapping+amclは2DのSLAMアルゴリズムで、ROSでSLAMを使うのにあたって最も利用するのが便利なSLAMパッケージです。

昨年のつくばチャレンジはOctomap + humanoid_navigation(簡単な3D自己位置推定アルゴリズム)でSLAMをしたのですが、humanoid_navigationプログラムを使用するにあたって今年のPCは使用するのに必要なRAMのメモリが足りず動かなかったため、2D SLAMのgmapping + amclになりました。(ROSのプログラムの構造上Octomapで生成されている地図のメモリを2回RAMに読み込む必要があるため) Octomapとhumanoid_navigationを両方nodelet化してnodelet_managerで管理すればメモリ容量的に3D SLAMができたかもしれません。
大体3D SLAMの方が正確な自己位置推定ができます。（ランドマークの特徴量が多いため） 

Autoware

Autoware

humanoid_navigationをするのに必要なRAMのメモリが足りなかったため、採用候補の一つに入った3D SLAMアルゴリズムがAutowareのndt_mapping + ndt_localizationでした。
Autowareは名古屋大学, 長崎大学と産総研が開発した自律走行自動車のための開発キットです。オープンソースです。自律走行に必要な制御が色々とそろっていて、GUIツールでプログラムを動作できるので初心者も簡単に使用できます。

自律走行自動車に興味のある方はAutowareを動かしてみると楽しいと思います。シミュレータ + rosbag付きです。自律自動車の会社であるZMPが一部Autowareのプログラムを採用しているらしいです。
https://github.com/CPFL/Autoware

そのndt_mapping + ndt_localizationを以前つくばで走行させたデータのrosbag(過去のロボットの動作を再現するROS用ツール）を動かして試したのですが、角のカーブで地図生成が発散して使いものにならなかったのでAutowareの採用は断念しました。走行する道に直線が多い場合はndt_mapping + ndt_localizationは利用できるかもしれません。