ОЦЕНКА АЛГОРИТМА СЛЕДОВАНИЯ МОБИЛЬНОГО РОБОТА TIAGO BASE ЗА ПОЛЬЗОВАТЕЛЕМ С ПРИМЕНЕНИЕМ ФУНКЦИОНАЛЬНЫХ ЦИФРОВЫХ МОДЕЛЕЙ ЧЕЛОВЕКА В СИМУЛЯТОРЕ GAZEBO
Аннотация
Цифровые модели человека (ЦМЧ) становятся важным инструментом в области робототехники, позволяя осуществлять воспроизводимую и контролируемую проверку алгоритмов компьютерного зрения. К числу таких алгоритмов относятся обнаружение, отслеживание и следование за человеком, которые играют ключевую роль в задачах автономной навигации, планирования траектории и безопасного взаимодействия робота с людьми в общих пространствах. При этом стандартные симуляторы, как правило, ограничены по степени реалистичности виртуальных акторов, разнообразию их внешнего вида и вариативности поведения. Такие ограничения снижают достоверность получаемых результатов и затрудняют перенос алгоритмов на реальных роботов. В данной работе представлен набор настраиваемых ЦМЧ для симулятора Gazebo. Разработанные модели человека отличаются вариативностью одежды, антропометрическими параметрами и внешним обликом, а также включают библиотеку анимаций ходьбы, имитирующих различные сценарии движения человека, включая изменение скорости и направления. Для проверки эффективности предложенного подхода были проведены вычислительные эксперименты в Gazebo в реалистичной офисной среде с использованием мобильного робота TIAGo Base с дифференциальным приводом, оснащённого двухмерным лазерным сканером и монокулярной камерой. Эффективность работы алгоритма следования за пользователем с применением новых ЦМЧ оценивалась по средней пройденной дистанции и количеству случаев потери цели (количеству ложных срабатываний). Результаты показали, что предложенные ЦМЧ позволяют воспроизводить сложные условия восприятия, включая окклюзии и динамические препятствия, а также обеспечивают масштабируемую и систематическую проверку алгоритмов. Данные, полученные в результате вычислительных экспериментов, подтверждают значимость разработанных ЦМЧ для тестирования робототехнических систем, ориентированных на взаимодействие с человеком в условиях, приближённых к реальным.
Список литературы
1. Bonci A., Cen Cheng P.D., Indri M., Nabissi G., Sibona F. Human-Robot Perception in Industrial Envi-ronments: A Survey, Sensors, 2021, Vol. 21, No. 5, pp. 1571.
2. Chen K., Zhang D., Yao L., Guo B., Yu Z., Liu Y. Deep learning for sensor-based human activity recog-nition: Overview, challenges, and opportunities, ACM Computing Surveys, 2021, Vol. 54, No. 4, pp. 1-40.
3. Chen C., Liu Y., Kreiss S., Alahi A. Crowd-Robot Interaction: Crowd-Aware Robot Navigation with Attention-Based Deep Reinforcement Learning, Proceedings of the IEEE International Conference on Robotics and Automation (ICRA 2019), 2019, pp. 6015-6022.
4. Liu L., Dugas D., Cesari G., Siegwart R., Dub R. Robot navigation in crowded environments using deep reinforcement learning, 2020 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS), 2020, pp. 5671-5677.
5. Martinetti A., Chemweno P.K., Nizamis K., Fosch-Villaronga E. Redefining safety in light of human-robot interaction: A critical review of current standards and regulations, Frontiers in Chemical Engineer-ing, 2021, Vol. 3, pp. 666237.
6. Sanchez J.A.S., Lopez-Gonzalez E., Magid E., Martinez-Garcia E.A. Double spiraliform path planning and tracking for agricultural mobile robotics: A modeling and simulation study, Computers and Elec-tronics in Agriculture, 2025, Vol. 237, pp. 110715.
7. Bavle H., Sanchez-Lopez J.L., Cimarelli C., Tourani A., Voos H. From SLAM to situational awareness: Challenges and survey, Sensors, 2023, Vol. 23, No. 10, pp. 4849.
8. Campos C., Elvira R., Gomez-Rodriguez J.J., Montiel J.M.M., Tardos J.D. ORB-SLAM3: An Accurate Open-Source Library for Visual, Visual-Inertial and Multi-Map SLAM, IEEE Transactions on Robot-ics, 2021, Vol. 37, No. 6, pp. 1874-1890.
9. Bescos B., Facil J.M., Civera J., Neira J. DynaSLAM: Tracking, Mapping and Inpainting in Dynamic Scenes, IEEE Robotics and Automation Letters, 2018, Vol. 3, No. 4, pp. 4076-4083.
10. Mingachev E., Lavrenov R., Tsoy T., Matsuno F., Svinin M., Suthacorn J., Magid E. Comparison of ROS-based monocular visual SLAM methods: DSO, LDSO, ORB-SLAM2 & DynaSLAM, Lecture Notes in Computer Science, 2020, Vol. 12336, pp. 222-233.
11. Zachariae A., Plahl F., Tang Y., Mamaev I., Hein B., Wurll C. Human-robot interactions in autonomous hospital transports, Robotics and Autonomous Systems, 2024, Vol. 179, pp. 104755.
12. Yoshimitsu K., Shiigi Y., Kobayashi E., Kuwana K., Kusuda K., Hoshide K., Masamune K. Exploring the potential of service robots in guiding patients and assisting mobility in medical facilities, Advanced Robotics, 2024, Vol. 38, No. 24, pp. 1758-1769.
13. Valner R., Masnavi H., Rybalskii I., Poluaar R., Koiv E., Aabloo A., Kruusamae K., Singh A.K. Scalable and heterogenous mobile robot fleet-based task automation in crowded hospital environments – a field test, Frontiers in Robotics and AI, 2022, Vol. 9, pp. 922835.
14. Yoo H.J., Kim E.H., Lee H. Mobile robots for isolation-room hospital settings: A scenario-based prelim-inary study, Computational and Structural Biotechnology Journal, 2024, Vol. 24, pp. 237-246.
15. Rondoni C., Scotto Di Luizo F., Tamantini C., Tagliamonte N.L., Chiurazzi M., Ciuti G., Zollo L. Navi-gation benchmarking for autonomous mobile robots in hospital environment, Scientific Reports, 2024, Vol. 14, pp. 18334.
16. Chebotareva E., Mustafin M., Safin R., Tsoy T., Martinez-Garcia E.A., Magid E. Camera-based safety system for collaborative assembly, Journal of Intelligent Manufacturing, 2024.
17. Custodio L., Machado R. Flexible automated warehouse: A literature review and an innovative frame-work, International Journal of Advanced Manufacturing Technology, 2020, Vol. 106, pp. 533-558.
18. Lackner T., Hermann J., Kuhn C., Palm D. Review of autonomous mobile robots in intralogistics: state-of-the-art, limitations and research gaps, Procedia CIRP, 2024, Vol. 130, pp. 930-935.
19. Pasparakis A., De Vries J., De Koster R. Assessing the Impact of Human–Robot Collaborative Order Picking Systems on Warehouse Workers, International Journal of Production Research, 2023,
Vol. 61, No. 22, pp. 7776-7790.
20. Gao Y., Huang C.M. Evaluation of Socially-Aware Robot Navigation, Frontiers in Robotics and AI, 2022, Vol. 8, pp. 721317.
21. Mavrogiannis C., Baldini F., Wang A., Zhao D., Trautman P., Steinfeld A., Oh J. Core Challenges of Social Robot Navigation: A Survey, ACM Transactions on Human-Robot Interaction, 2023, Vol. 12, No. 3, pp. 1-39.
22. Chen C., Liu Y., Kreiss S., Alahi A. Crowd-Robot Interaction: Crowd-Aware Robot Navigation with Attention-Based Deep Reinforcement Learning, Proceedings of the IEEE International Conference on Robotics and Automation (ICRA 2019), 2019, pp. 6015-6022.
23. Singamaneni P.T., Bachiller-Burgos P., Manso L.J., Garrell A., Sanfeliu A., Spalanzani A., Alami R.
A Survey on Socially Aware Robot Navigation: Taxonomy and Future Challenges, The International Journal of Robotics Research, 2024, Vol. 43, No. 10, pp. 1523-1572.
24. Guillen-RUIZ S., Bandera J.P., Hidalgo-Paniagua A., Bandera A. Evolution of Socially-Aware Robot Navigation, Electronics, 2023, Vol. 12, No. 7, pp. 1570.
25. Astapova M.A. Intellektual'noe upravlenie robototekhnicheskimi sredstvami v zadache segmentatsii nor gryzunov s ispol'zovaniem glubokikh svertochnykh arkhitektur [Intelligent control of robotic means in the problem of segmentation of rodent burrows using deep convolutional architectures], Izvestiya YuFU. Tekhnicheskie nauki [Izvestiya SFedU. Engineering Sciences], 2025, No. 2, pp. 19-30.
26. Filippov R.A. Robototekhnicheskie sredstva dlya sbora yagod zemlyaniki [Robotic means for picking strawberries], Mekhatronika, avtomatika i robototekhnika [Mechatronics, Automation and Robotics], 2017, No. 1, pp. 26-27.
27. Paullada A., Raji I.D., Bender E.M., Denton E., Hanna A. Data and its (dis)contents: A survey of da-taset development and use in machine learning research, Patterns, 2021, Vol. 2, No. 11, pp. 100336.
28. Martinetti A., Chemweno P.K., Nizamis K., Fosch-Villaronga E. Redefining safety in light of human-robot interaction: A critical review of current standards and regulations, Frontiers in Chemical Engineer-ing, 2021, Vol. 3, pp. 666237.
29. Shi X., Li D., Zhao P., Tian Q., Tian Y., Long Q., Zhu C., Song J., Qiao F., Song L., Guo Y., Wang Z., Zhang Y., Qin B., Yang W., Wang F., Chan R.H.M., She Q. Are We Ready for Service Robots? The OpenLORIS-Scene Datasets for Lifelong SLAM, 2020 IEEE International Conference on Robotics and Automation (ICRA 2020), 2020, pp. 3139-3145.
30. Linn Kh.Kh., Lupin S.A., Linn Ch.N.Z. i dr. Naturnoe i imitatsionnoe modelirovanie tsentralizovannoy sistemy upravleniya transportnymi robotami [Natural and simulation modeling of a centralized control system for transport robots], International Journal of Open Information Technologies, 2020, Vol. 8, No. 4, pp. 17-24.
31. Demirel H.O., Ahmed S., Duffy V.G. Digital human modeling: A review and reappraisal of origins, pre-sent, and expected future methods for representing humans computationally, International Journal of Human-Computer Interaction, 2021, Vol. 38, No. 10, pp. 897-937.
32. Yin M.Y., Li J.G. A systematic review on digital human models in assembly process planning, Interna-tional Journal of Advanced Manufacturing Technology, 2023, Vol. 125, pp. 1037-1059.
33. Abbyasov B., Gamberov T., Zhukova V., Tsoy T., Martinez-Garcia E.A., Magid E. A tutorial on model-ling a real office environment in Gazebo simulator, Journal of Robotics, Networking and Artificial Life, 2023, Vol. 10, No. 2, pp. 166-169.
34. Tukhtamanov N., Lavrenov R., Chebotareva E., Svinin., Tsoy T., Magid E. Open-source library of hu-man models for Gazebo simulator, 2022 International Siberian Conference on Control and Communi-cations (SIBCON), 2022, pp. 1-5.
35. Fortini L., Leonori M., Gandarias J.M., De Momi E., Ajoudani A. Open-VICO: An open-source Gaze-bo toolkit for vision-based skeleton tracking in human-robot collaboration, Proceedings of the 31st IEEE International Conference on Robot and Human Interactive Communication (RO-MAN), 2022, pp. 511-517.
36. Wang J., Li X., Gao L., Liu J., Xu C., Wang Y. Deep 3D human pose estimation: A review, Computer Vision and Image Understanding, 2021, Vol. 210, pp. 103225.
37. Diamantis D.E., Kalozoumis P.G., Iakovidis D.K. Digital twin for simulation and evaluation of assistive navigation systems, Digital Twins for Digital Transformation: Innovation in Industry. Cham: Springer, 2022, Vol. 423, pp. 147-170.
38. Eirale A., Martini M., Chiaberge M. Human-Centered Navigation and Person-Following with Omnidi-rectional Robot for Indoor Assistance and Monitoring, Robotics, 2022, Vol. 11, No. 5, pp. 108.
39. Chebotareva E., Hsia K.H., Yakovlev K., Magid E. Laser rangefinder and monocular camera data fusion for human-following algorithm by PMB-2 mobile robot in simulated Gazebo environment, Smart Inno-vation, Systems and Technologies. Singapore: Springer, 2021, Vol. 187, pp. 357-369.
40. Paul G., Scataglini S. Open-source software to create a kinematic model in digital human modeling, DHM and Posturography. Cambridge, MA: Academic Press, 2019, pp. 201-213.
41. Briceno L., Paul G. MakeHuman: A review of the modelling framework, Proceedings of the 20th Con-gress of the International Ergonomics Association (IEA 2018). Cham: Springer, 2019, Vol. 822, pp. 224-232.
42. Algabri R., Choi M.-T. Deep-Learning-Based Indoor Human Following of Mobile Robot Using Color Feature, Sensors, 2020, Vol. 20, No. 9, pp. 2699.
43. Xie Z., Xin P., Dames P. Towards safe navigation through crowded dynamic environments, 2021 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS), 2021, pp. 4934-4940.
44. Nguyen D.M., Nazeri M., Payandeh A., Datar A., Xiao X. Toward Human-Like Social Robot Naviga-tion: A Large-Scale, Multi-Modal, Social Human Navigation Dataset, Proceedings of the IEEE/RSJ In-ternational Conference on Intelligent Robots and Systems (IROS 2023), 2023, pp. 7442-7447.
45. Sultanov R., Safin R., Martinez-Garcia E.A., Magid E. Modeling sunlight in Gazebo for vision-based applications under varying light conditions, Proceedings of the 21st International Conference on Infor-matics in Control, Automation and Robotics (ICINCO), 2024, Vol. 1, pp. 519-526.
