Search

The navigation system of the current autonomous articulated underground mining vehicles is based on 2D lidars and the teaching of the environment and route. The introduction of the new route is desired to take less time. This could be achieved by automating the motion planning whereupon the teaching is not needed any more. The current system is unable to do automatic motion planning due to the following weaknesses. Firstly, 2D lidars are not able to perceive anything under or above the measurement level. Secondly, the same earlier taught environment model could not be utilized in other vehicles. Thirdly, the accurate localization is not always possible. Fourthly, the system could not be used in dynamic environments. The automated motion planning cannot be done safely by using only two 2D lidars; therefore, at least one 3D lidar is required. In the future, the navigation system of the underground mining vehicle could be based on the methods presented in the article by Krüsi et al (2017). In that article, 3D point clouds are utilized in motion planning and terrain assessment for ground robots. In this thesis, some algorithms of that article are replicated and edited to be compliant for the underground mining vehicles. The 3D point cloud of the mine tunnels used in this thesis is created by an open source SLAM algorithm (Simultaneous Localization and Mapping) called BLAM. In addition, WMRDE (Wheeled Mobile Robot Dynamics Engine) is used for the modelling and the simulation of the underground mining vehicle in this thesis. The simulator is accurate, modular and fast. However, the meaningfulness of this simulator could not be emphasized until the future work, if it is revealed that the utilized elementary trajectories are not enough accurate or the safety layer is needed for the navigation system. In this thesis, it is realized that it is possible to create with the SLAM algorithm based on the ICP (Iterative Closest Point) locally accurate 3D point cloud environment models that have sufficient reliability for the navigation inside the mine tunnels. By developing the SLAM algorithm that is used in this thesis according to the article by Krüsi et. al further, its performance can be improved. By using the methods of the article, the automatic motion planning that is required by the autonomous navigation system of the underground mining vehicle can be developed. Nykyinen autonomisten runko-ohjattavien kaivoskoneiden navigointijärjestelmä perustuu 2D-lasertutkiin sekä ympäristön ja reitin opetukseen. Uuden reitin käyttöönottoon kuluvaa aikaa halutaan pienentää. Tämä voidaan tehdä esimerkiksi automatisoimalla liikesuunnittelu, jolloin ei tarvita reitin opetusta ollenkaan. Nykyinen järjestelmä ei kykene automaattiseen liikesuunnitteluun seuraavien heikkouksien takia. Ensinnäkin 2D-lasertutkilla ei voida havaita mittaustason ala- tai yläpuolella olevia mahdollisia esteitä. Toiseksi samaa opetettua ympäristömallia ei voida hyödyntää mahdollisesti muissa ajoneuvoissa. Kolmanneksi tarkka paikannus ei aina onnistu. Neljänneksi järjestelmää ei voida käyttää dynaamisissa ympäristöissä. Automaattista liikesuunnittelua tai reitin mukauttamista ei voida suorittaa riskittömästi käyttämällä vain kahta 2D-lasertutkaa, minkä takia tarvitaan ainakin yksi 3D-lasertutka. Tulevaisuuden kaivoskoneen navigointijärjestelmän perustana voitaisiin käyttää Krüsin et. al (2017) artikkelissa esitettyjä menetelmiä. Siinä hyödynnetään 3D-pistepilviä liikesuunnitteluun ja maaston arviointiin maassa liikkuville roboteille. Tässä työssä on replikoitu ja muokattu kaivoskoneille sopiviksi osia kyseisessä artikkelissa esitetyistä algoritmeista. Tässä työssä käytetty tunnelin 3D-pistepilvimalli on luotu avoimen lähdekoodin SLAM-algoritmilla (Simultaneous Localization and Mapping) nimeltä BLAM (Berkeley Localization and Mapping). Lisäksi tässä työssä on käytetty kaivoskoneen mallintamiseen ja simuloimiseen WMRDE:tä (Wheeled Mobile Robot Dynamics Engine). Simulaattori on tarkka, modulaarinen ja nopea. Tämän merkitys voi korostua vasta jatkotutkimuksissa, jos käy ilmi, että tässä työssä käytetyt alkeisliikeradat eivät ole riittävän tarkkoja, tai jos halutaan muodostaa turvakerros navigointijärjestelmälle. Työssä havaitaan, että ICP:hen (Iterative Closest Point) perustuvalla SLAM-algoritmilla on mahdollista luoda paikallisesti tarpeeksi tarkkoja 3D-pistepilviympäristömalleja, joilla voidaan riittävän luotettavasti navigoida tunnelistossa. Kehittämällä työssä käytettyä SLAM-algoritmia Krüsin et. al artikkelin mukaisesti voidaan parantaa myös sen suorituskykyä vielä huomattavasti. Käyttämällä artikkelin menetelmiä voidaan kaivoskoneille toteuttaa autonomisen navigointijärjestelmän vaatima automaattinen liikesuunnittelu.