Quasimodo - 3D-Mapping-Rucksack

Projektzusammenfassung

Ich habe eine kompakte, tragbare 3D-Mapping-Einheit neu gestaltet und prototypisiert—mit Integration von LiDAR, IMU, Compute- und Stromversorgungssystemen—um die Umgebungskartierung für einen autonomen Straßenkehrer zu optimieren. Die Lösung kombinierte robuste Hardware-Montage mit ROS-basiertem SLAM, sicherem Datentransport und einer einfachen Benutzeroberfläche für schnelle Kartenerstellung.

Kernbeiträge

Hardware-Design & Montage

• Batteriesystem: Ausgewählt und montiert ein Hochenergie-Lithium-Ionen-Pack mit integriertem Unterspannungs- und Überstromschutz, um Laufzeit und Sicherheit in Rucksack-Formfaktor zu maximieren.
• Mechanische Befestigungen: Entworfen und 3D-gedruckt eine Grundplatte mit faltbarem Scharniermechanismus, ermöglicht dem LiDAR/IMU-Modul zu schwenken für kompakte Verstauung während des Transports.
• Verkabelung & Stecker: Entwickelt benutzerdefinierte Verkabelungsharnesse und robuste Stecker zur Verbindung von Sensoren, Batterie und Compute-Einheiten—Gewährleistung von Zuverlässigkeit unter Feldbedingungen.

Sensor & Compute-Integration

• LiDAR & IMU: Montiert ein RoboSense 3D LiDAR und IMU am Rucksackrahmen, nutzt das rslidar_sdk für ROS-Integration, um Punktwolken über ROS-Topics zu streamen.
• Intel NUC: Deployiert einen Intel NUC Mini-PC als Onboard-"Gehirn", gewählt für seine robuste CPU-Leistung und Linux-Kompatibilität in mobilen Robotikanwendungen.
• Router & VPN: Konfiguriert einen eingebetteten Router mit WireGuard VPN, um sichere, Remote-Tablet-Verbindungen für Live-Mapping und Diagnose zu ermöglichen.

Software & Mapping-Workflow

• ROS & Cartographer: Implementiert SLAM mit Cartographers ROS-Integration, um LiDAR/IMU-Daten in Echtzeit-3D-Karten zu fusionieren, nutzt den Demo-Bag-Workflow für Rucksack-Setups.
• Mapping-Interface: Entwickelt einen leichtgewichtigen Python/C++ ROS-Knoten und eine Tablet-freundliche UI, um Mapping-Sessions zu starten/stoppen und Punktwolken via RViz zu visualisieren.
• Datenspeicherung: Automatisierte Karten-Uploads zu einem MinIO S3-kompatiblen Server für zentrale Kartenerstellung und Archivierung.

Testing & Deployment

• Feldversuche: Durchgeführt On-Site-Kehrer-Pfad-Mapping in urbanen Umgebungen, validiert Batterieausdauer, SLAM-Zuverlässigkeit und Sensor-Montage-Stabilität.
• Optimierung: Iteriert an Power-Management-Schwellen und SLAM-Parametern, um Mapping-Zeit pro Ladung zu verlängern und Kartenqualität zu verbessern.

Technologien & Tools

• Sprachen: C++, Python, ROS-Pakete
• Compute & Networking: Intel NUC, Eingebetteter Router, WireGuard VPN
• SLAM & Sensoren: Cartographer ROS, RoboSense LiDAR (rslidar_sdk), IMU
• Speicherung & Backend: MinIO S3-kompatibler Object Storage
• Mechanisch & Power: Fusion 360 (für Grundplatte), Lithium-Ionen-Batteriepacks mit Schutz
• UI & Visualisierung: ROS RViz, benutzerdefinierte Tablet-Oberfläche (HTML/CSS/JavaScript)

Ergebnisse & Auswirkungen

• Erreicht eine 30%ige Reduzierung der Mapping-Setup-Zeit durch Konsolidierung der Hardware in eine einzige Rucksack-Einheit.
• Erreicht kontinuierliche 3D-Mapping-Läufe von über 2 Stunden mit einem Batteriepack, unterstützt erweiterte Straßenkehrer-Deployments.
• Ermöglicht sichere Remote-Überwachung, ermöglicht Operatoren, Mapping-Sessions von einem Tablet ohne verkabelte Kabel zu initiieren.