1 - Architektur
6
ROS2 Nodes
5
ROS2 Topics
30%
Anomalierate
2
Bugs behoben
2 - Live Visualisierung
Zwei gleichzeitige Ansichten — die Kamerasicht und die räumliche Übersicht:
OpenCV — Normalbetrieb: Pièces conformes (grün), System OK
OpenCV — Anomalie erkannt: rote Bordure, Bounding Box, Confidence 0.48
RViz2 — Roboterposition (blauer Pfeil), Waypoints (grüne Zylinder), erkannte Anomalien (rote Sphären)
3 - ROS2 Topics
| Topic | Typ | Publisher | Subscriber |
|---|---|---|---|
/robot/pose | Pose2D | robot_navigator | camera_sensor, surveillance_manager, rviz_publisher |
/camera/image_raw | Image | camera_sensor | anomaly_detector, visualizer |
/detection/result | String (JSON) | anomaly_detector | surveillance_manager, rviz_publisher |
/robot/command | String | surveillance_manager | robot_navigator |
/visualization/markers | MarkerArray | rviz_publisher | RViz2 |
4 - Autonome Entscheidungslogik
Camera publiziert Bild alle 1s (30% Anomalie-Wahrscheinlichkeit)
|
AnomalyDetector: HSV-Segmentierung → rote Formen → Confidence Score
|
SurveillanceManager:
confidence > 0.3 → STOP → Robot haelt an aktueller Position
zone clear → CONTINUE → Robot setzt Patrouille fort
|
Visualizer: OpenCV-Fenster mit Bounding Boxes und Status
RViz2: Anomalie-Marker an exakter Position in 3D-Raum
⚠️ Bug 1 — Confidence Threshold: surveillance_manager hatte Schwelle 0.5,
aber detector meldete 0.48 — alle Anomalien wurden verpasst (0/N erkannt).
Fix: Schwelle auf 0.3 gesenkt.
⚠️ Bug 2 — flake8 Import Order: ROS2 verwendet google-style Import-Reihenfolge
(I100, I201, Q000). Durch CI-Pipeline in 3 Fix-Commits iterativ behoben.
✅ Nach allen Fixes: CI grün, alle Tests bestanden, System läuft stabil.
5 - Tech Stack
ROS2 Jazzy
Python
OpenCV
RViz2
Publisher / Subscriber
MarkerArray
cv_bridge
colcon
GitHub Actions CI
WSL2 Ubuntu 24.04
Autonome Entscheidung
Computer Vision
6 - Ausblick
- 1Nav2 Integration
Ersetzen der manuellen Waypoint-Navigation durch den ROS2 Nav2 Stack — autonome Pfadplanung und Hinderniserkennung. - 2YOLO Object Detection
Ersetzen der HSV-Segmentierung durch ein YOLO-Modell für robustere, modellbasierte Anomalieerkennung. - 3Gazebo Simulation
Migration von der 2D-Simulation zu einer vollständigen 3D-Robotersimulation in Gazebo mit physikalischen Modellen. - 4Echte Hardware
Deployment auf einem physischen Roboter (TurtleBot4 oder ähnlich) mit echter Kamera und LiDAR-Sensoren.