Home Search AA
 
IN PROGRESS

Tuniranje MPC kontrolera za praćenje putanje autonomnom ronilicom

student: Stipe Ražov

Seminarski zadatak je istražiti teoretske osnove i koncepte modelskog prediktivnog upravljanja (MPC-a), parametre koji utječu na njegovu stabilnost i performanse,  osnovne funkcionalnosti ROS-a (Robot Operating System), softvera kog autonomna ronilica Lupis koristi za upravljanje misijom, te ACADO optimizacijskog toolbox-a.

 

Izgradnja mape kretanja i planiranje povratne putanje površinskog vozila

student: Ivan Stepanić

U Laboratoriju za podvodne sustave i tehnologije je dostupna autonomna površinska platforma sa dostupnom navigacijom i regulatorima za praćenje putanje. Tokom gibanja platforma prolazi područje koje nije nužno konveksno ili poznato unaprijed. U slučajevima završetka misije ili aktivacije alarma potrebno je vratiti platformu na sigurnu poziciju na najkraćim mogućim putem. Potrebno je koristiti raspoložive metode za izgradnju mape okupiranosti prostora temeljem putanja kojima je ronilica prethodno vožena, ručno ili automatski. Takvu mapu je potrebno iskoristiti za pronalaženje najbržeg puta do početne točke korištenjem jednog od neinformiranih ili informiranih algoritama pretrage grafa. Implementaciju je potrebno provesti u ROS okruženju na postojećem 3D simulatoru vozila.

 

Lokalizacija autonomne površinske platforme u nestrukturiranom okruženju korištenjem SLAM algoritma

student: Frane Rogić

Simultano određivanje položaja i kartiranje (Simultaneous Localization and Mapping, SLAM) računalni je problem konstruiranja i osvježavanja karte nepoznatoga područja uz istovremeno određivanje položaja agenta unutar te iste karte. Seminarski zadatak je istražiti trenutno korištene SLAM algoritme u području mobilne robotike. Na temelju prikupljenih spoznaja potrebno je predložiti algoritam primjeren korištenju na autonomnoj površinskoj platformi dostupnoj u Laboratoriju za podvodne sustave i tehnologije kako bi se omogućilo njeno korištenje u nestrukturiranim okruženjima poput morskih luka i marina.

 

Soft robotics in maritime domain

student: Zdravko Čićin-Šain

Soft robotics je specifično polje robotike koje se bavi konstruiranjem robota iz visoko sukladnih materijala, sličnih onima u živim organizmima. “Mekana” robotika je uvelike nadahnuta načinima na koje se živi organizmi kreću i prilagođavaju okolini. Za razliku od robota napravljenih od krutih materijala, meki roboti omogućuju veću fleksibilnost i prilagodljivost za izvršavanje zadataka, kao i poboljšanu sigurnost pri radu s ljudima. Ta svojstva omogućuju njezinu potencijalnu uporabu u mnogim područjima.

Potrebno je istražiti tipove i različite bioinspirirane dizajne u soft robotici, materijale koji se koriste u proizvodnji mekanih robota, metode upravljanja, te uporabe u istraživanju podmorja.

 


ON OFFER

Obrada side-scan sonarske slike

student:

Side-scan sonar se u pomorskoj robotici koristi za efikasno stvaranje sonarske slike velikih područja morskoga dna. Koristi se u misijama istraživanja i nadgledanja podmorja, npr. klasifikacija vrsta morskoga dna, detekcija morskih mina, istraživanja lokaliteta za pomorsku arheologiju (potonuli brodovi, avioni, naselja), biologiju, geologiju itd. U cilju poboljšanja istraživačkih misija side-scan sonarom pogodno je da se operater kao stručnjak iz određenog polja zamijeni algoritmom za analizu sonarske slike i detekciju anomalija u sonarskoj slici, kako bi se istraživanje na tim mjestima sprovelo u više detalja.

Seminarski zadatak je istražiti način rada side-scan sonara, osnovne funkcionalnosti ROS-a (Robot Operating System), metoda obrade side-scan sonarske slike u cilju detekcije anomalija (klasične metode filtriranja, multispektralne metode, saliency mape, umjetne neuronske mreže i sl.), te implementirati jednu od njih korištenjem OpenCV biblioteke za obradu slike i integrirati u ROS okruženje.

 

 

Upravljanje servo motorom pan mehanizma senzora na autonomnoj površinskoj platformi

student:

U Laboratoriju za podvodne sustave i tehnologije dostupna je autonomna površinska platforma aPad opremljena Kinect senzorom s pan mehanizmom za okretanje senzora i četiri mehaničke jedinice za prihvat robota aMussel. Potrebno je zatvoriti povratnu vezu po slici i kalibrirati sustav tako da se omogući precizno i pouzdano pozicioniranje svake od četiriju mehaničkih jedinica za prihvat u središte vidnog polja Kinecta.

Svu softversku integraciju potrebno je napraviti u Linux operativnom sustavu i ROS (Robot Operating System) okruženju, pri čemu je upoznavanje s osnovnim funkcionalnostima dostupnog ROS softvera i OpenCV biblioteke za obradu slike jedan od glavnih ciljeva rada.

 

Neuronska mreža za generiranje sonarskih slika

student:

Potrebno je iz ROS (Robot Operating System) logova s prijašnjih terena i testiranja izvaditi sonarske snimke i napraviti dataset za treniranje neuronske mreže. Korištenjem TensorFlow biblioteke potrebno je isprogramirati strukturu i istrenirati neuronsku mrežu koja može producirati sonarsku sliku pozadinskog backscattera. Neuronsku mrežu je potrebno integrirati u ROS u svrhu simulacije sonara.

 

Planiranje putanje za batimetriju

student:

U misijama pretraživanja morskoga dna potrebno je optimirati putanju koja se zadaje vozilu (sa integriranim sonarom) da ju prati tako da se cijelo nepoznato područje skenira u svrhu dobivanja potpune batimetrijske mape bez praznina i u što kraćem vremenskom roku. Potrebno je u ROS-u (Robot Operating System) implementirati modul koji za ulazne rubne točke područja koje je potrebno snimiti računa putanju prekrivanja tog područja sonarom, uz nikakvo ili jako ograničeno znanje o nagibu morskoga dna. 

 

Implementacija algoritma za izbacivanje outliera iz TDoA mjerenja

student:

Prilikom podvodne lokalizacije korištenjem akustičkih signala postoje razni uzroci šuma u mjerenju koji utječu na kvalitetu lokalizacije. Jedan od uzročnika je refleksija signala od okolnih objekata koja produljuje put koji signal mora prevaliti. Ako direktni signal nije primljen, refleksija znatno utječe na pogrešku u mjerenju vremena dolaznog signala. U radu je potrebno proučiti postojeće algoritme za izbacivanje outliera i izabrati metodu koja je najprikladnije za Time-Difference of Arrival (TDoA) mjerenja. Podatak o pozicijama referentnih senzora je poznat i može se koristiti kao pomoć pri otklanjanju outliera. Algoritam je potrebno validirati u simulaciji i na postojećim TDoA mjerenjima iz stvarnih eksperimenata.


FINISHED (2014)

COMPLETED
Repository is empty

 
UNIZG-FER
 


SEARCH