Zum Hauptinhalt springen

Robotik-Labor

Ein Feldroboter kartiert eine Apfelplantage, live in Ihrem Browser. Er erkundet selbstständig, erstellt mit Scan-Matching-SLAM eine 2D-Belegungskarte und eine 3D-Punktwolke, lokalisiert sich mit einem Partikelfilter und kartiert jede sichtbare Frucht in 3D. Sie können jederzeit übernehmen.

Nichts davon ist vorab aufgezeichnet und es gibt keinen Server: Welt, Sensoren und alle Algorithmen sind von Grund auf in TypeScript geschrieben und laufen in diesem Tab, dargestellt mit three.js.

Was hier läuft

Lokalisierung

Monte-Carlo-Lokalisierung mit 800 Partikeln auf einer vermessenen Karte, mit Likelihood-Field-Sensormodell, Low-Variance-Resampling und zufällig eingestreuten Partikeln. Für einen Laser sehen alle Baumreihen gleich aus, daher wird ein GNSS-Fix mit ±1,5 m fusioniert, um die Symmetrie aufzulösen. Entführen Sie den Roboter und sehen Sie zu, wie er sich wiederfindet.

Belegungskarte

Ein Log-Odds-Raster mit 10 cm Auflösung und inversem Sensormodell: Bresenham-Raytracing markiert entlang jedes der 360 Laserstrahlen freien Raum, Endpunkte werden zu Hindernissen. Jede belegte Zelle speichert zusätzlich den Mittelwert ihrer Treffer für Subzellen-Genauigkeit.

SLAM

Scan-to-Map-SLAM: Driftende Radodometrie sagt die Bewegung voraus, ICP gegen die bisherige Karte korrigiert sie, und der korrigierte Scan wird in die Karte eingetragen. Vergleichen Sie die rote Odometrie-Spur mit der grünen SLAM-Spur und der weißen Ground Truth.

Punktwolken & ICP

Ein simuliertes 16-Kanal-LiDAR erfasst Stämme, durchlässige Baumkronen, Früchte und den Boden per Raycasting. Die Scans werden mit der SLAM-Pose in eine voxelgefilterte globale Wolke mit semantischen Labels registriert. Das 2D-ICP ist Punkt-zu-Punkt mit schrumpfendem Gate, Huber-Gewichten und geschlossener Lösung.

Autonome Erkundung

Frontier-basierte Erkundung: Grenzen zwischen bekanntem freiem und unbekanntem Raum werden geclustert, nach Wegkosten und Größe bewertet und mit Dijkstra/A* auf einer aufgeblähten Kostenkarte und einem Pure-Pursuit-Regler angefahren, inklusive Erkennung von Festfahren und Recovery.

3D-Fruchtkartierung

Zwei seitlich blickende RGB-D-Kameras erkennen Früchte, die ihnen zugewandt und nicht von Blättern verdeckt sind, mit tiefenabhängigem Rauschen. Detektionen werden mit der SLAM-Pose ins Kartensystem übertragen und über einen räumlichen Hash zugeordnet; eine Frucht zählt nach drei Sichtungen. Precision und Recall werden gegen die Ground Truth gemessen.