Upload
wilian-costa
View
626
Download
0
Embed Size (px)
DESCRIPTION
Apresentação de Defesa de Dissertação Mestrado de Wilian F. Costa, para obtenção do Titulo de Mestre em Ciências no Instituto Tecnológico de Aeronáutica, dez/2009.
Citation preview
1/66
CENTRO TÉCNICO AEROESPACIALINSTITUTO TECNOLÓGICO DE AERONÁUTICA
DIVISÃO DE ENGENHARIA ELETRÔNICADEPARTAMENTO DE SISTEMAS DE CONTROLE
LOCALIZAÇÃO E MAPEAMENTO EM TEMPOREAL UTILIZANDO ROBÔ SIMULADO NO
MICROSOFT® ROBOTICS DEVELOPER STUDIO
Wilian França CostaOrientador: Prof. Dr. Jackson Paul Matsuura
Co-orientador: Prof. Dr. Alexandre da Silva Simões
LOCALIZAÇÃO E MAPEAMENTO EM TEMPOREAL UTILIZANDO ROBÔ SIMULADO NO
MICROSOFT® ROBOTICS DEVELOPER STUDIO
Wilian França CostaOrientador: Prof. Dr. Jackson Paul Matsuura
Co-orientador: Prof. Dr. Alexandre da Silva Simões
São José dos Campos, 23 de dezembro de 2009São José dos Campos, 23 de dezembro de 2009
2/66
Introdução
Introdução (1/3)Objetivo Metodologia (3)MRDS (4)SLAM (11)Scan Matching (13)Solução Proposta (7)Resultados (15)Conclusão (2)Trabalhos Futuros (3).
● Para que um robô móvel seja considerado autônomo, ele deve possuir a capacidade de navegar com segurança em um ambiente desconhecido evitando obstáculos (BAILEY, 2002, p. 2).
● Usualmente o robô monta sua base de conhecimento através da construção progressiva de um mapa utilizando os dados de seus sensores (GUTMANN; KONOLIGE, 1999; HOWARD, 2004).
3/66
Motivação● Localização e Mapeamento Simultâneo
(SLAM).● Desafio constante em robótica móvel.● Diversas abordagens, sendo que as
mais comuns utilizam métodos estocásticos (HAHNEL et al., 2003), iterativos (LU; MILIOS, 1994) e combinações entre eles (BIBER; STRASSER, 2006).
Introdução (2/3)Objetivo Metodologia (3)MRDS (4)SLAM (11)Scan Matching (13)Solução Proposta (7)Resultados (15)Conclusão (2)Trabalhos Futuros (3).
4/66
Motivação● Exemplo de sucesso: robô Stanley
desenvolvido pela equipe do Dr. Sebastian Thrun e que ganhou o desafio DARPA em 2005 (THRUN et al., 2006).
(a) Ilustração do sensor laser: o sensor é inclinado para escanear o terreno enquanto o robô se movimenta. O robô possui 5 sensores montados em ângulos diferentes. (b) Cada scanner monta uma representação 3D em nuvem-de-pontos para identificar obstáculos.Fonte:(THRUN et al., 2006).
Introdução (3/3)Objetivo Metodologia (3)MRDS (4)SLAM (11)Scan Matching (13)Solução Proposta (7)Resultados (15)Conclusão (2)Trabalhos Futuros (3).
5/66
Objetivo
Introdução (3)ObjetivoMetodologia (3)MRDS (n)SLAM (1/n)Scan Matching (n)Solução Proposta (n)Resultados (n)ConclusãoTrabalhos Futuros.
Desenvolvimento e implementação de um algoritmo para a estimação e correção da posição do robô permitindo a construção em tempo real do mapa do ambiente explorado em condições na qual a leitura odométrica apresenta imperfeições (ruídos, deslizamentos, etc.).
6/66
Metodologia● Para verificação da solução proposta
foram utilizados 5 (cinco) ambientes estruturados (ambientes que podem ser descritos por primitivas geométricas) e estáticos (sem pessoas ou objetos móveis).
● Foram efetuados um total de dez execuções, uma para cada algoritmo em teste no ambiente.
Introdução (3)Objetivo Metodologia (1/3)MRDS (4)SLAM (11)Scan Matching (13)Solução Proposta (7)Resultados (15)Conclusão (2)Trabalhos Futuros (3).
7/66
Metodologia● Em cada experimento, os mapas
internos do robô são construídos utilizando os dados fornecidos pelos sensores aplicados aos algoritmos em teste.
● Ambientes de teste, sensores e robô simulados no MRDS.
Introdução (3)Objetivo Metodologia (2/3)MRDS (4)SLAM (11)Scan Matching (13)Solução Proposta (7)Resultados (15)Conclusão (2)Trabalhos Futuros (3).
8/66
Metodologia● Os algoritmos são avaliados com
relação ao mapa e posição real (ground truth).
● São apurados os índices de desempenho propostos:● Erro Absoluto de Posição (EAA);● Erro Absoluto Angular (EAA).● Teste Kolmogorov-Smirnov (KS).
Introdução (3)Objetivo Metodologia (3/3)MRDS (4)SLAM (11)Scan Matching (13)Solução Proposta (7)Resultados (15)Conclusão (2)Trabalhos Futuros (3).
9/66
MICROSOFT® ROBOTICS DEVELOPER STUDIO (MRDS)● Ambiente de desenvolvimento para
aplicações robóticas baseado em Windows®.
● Suporte a uma ampla variedade de robôs comerciais.
● Possui um runtime “leve” assíncrono orientado a serviços.
● Conjunto de ferramentas para autoria e simulação.
Introdução (3)Objetivo Metodologia (3)MRDS (1/4)SLAM (11)Scan Matching (13)Solução Proposta (7)Resultados (15)Conclusão (2)Trabalhos Futuros (3).
10/66
MICROSOFT® ROBOTICS DEVELOPER STUDIO (MRDS)● Concurrency and Coordination Runtime
(CCR)● Biblioteca de código gerenciado
(DLL) .Net (CLR).● Facilita a manipulação de I/O
assincrona eliminando a complexidade envolvida com tratamento de threads, locks e semáforos.
Introdução (3)Objetivo Metodologia (3)MRDS (2/4)SLAM (11)Scan Matching (13)Solução Proposta (7)Resultados (15)Conclusão (2)Trabalhos Futuros (3).
11/66
MICROSOFT® ROBOTICS DEVELOPER STUDIO (MRDS)● Distributed Software Services (DSS)
Bloco básico representando um serviço DSS e exemplo de funcionamento em conjunto com CCR (Forwarder). Fonte: (MICROSOFT, 2009).
Introdução (3)Objetivo Metodologia (3)MRDS (3/4)SLAM (11)Scan Matching (13)Solução Proposta (7)Resultados (15)Conclusão (2)Trabalhos Futuros (3).
12/66
MICROSOFT® ROBOTICS DEVELOPER STUDIO (MRDS)
Introdução (3)Objetivo Metodologia (3)MRDS (4/4)SLAM (11)Scan Matching (13)Solução Proposta (7)Resultados (15)Conclusão (2)Trabalhos Futuros (3).
13/66
Localização e Mapeamento Simultâneo (SLAM)
Fonte: http://www.cs.washington.edu/homes/letchner/classwork/cs327/MobileRoboticsMiniPresentation.ppt
Introdução (3)Objetivo Metodologia (3)MRDS (4)SLAM (1/11)Scan Matching (13)Solução Proposta (7)Resultados (15)Conclusão (2)Trabalhos Futuros (3).
14/66
Localização e Mapeamento Simultâneo (SLAM)● Posição do Robô
x
y
(a) 2D (plano) – (x, y, θ)(b) 3D (espaço) – (x, y, z, φ, θ, ψ)
(a) (b)Introdução (3)Objetivo Metodologia (3)MRDS (4)SLAM (2/11)Scan Matching (13)Solução Proposta (7)Resultados (15)Conclusão (2)Trabalhos Futuros (3).
15/66
Localização e Mapeamento Simultâneo (SLAM)● Localização
Dados: ● Mapa Global.● Posição inicial.● Leituras dos sensores.
Obter:● Posição do robô enquanto se
movimenta.Introdução (3)Objetivo Metodologia (3)MRDS (4)SLAM (3/11)Scan Matching (13)Solução Proposta (7)Resultados (15)Conclusão (2)Trabalhos Futuros (3).
16/66
Localização e Mapeamento Simultâneo (SLAM)● Localização
● Dead-recknoning (navegação estimada) – odometria, sensores inerciais.
● Problema: integração do erro.● GPS
● Problema: restrito a ambientes externos.● Marcos com localização conhecida.
● Problema: restrito a ambientes conhecidos.
Introdução (3)Objetivo Metodologia (3)MRDS (4)SLAM (4/11)Scan Matching (13)Solução Proposta (7)Resultados (15)Conclusão (2)Trabalhos Futuros (3).
17/66
Localização e Mapeamento Simultâneo (SLAM)● Localização
● Baseada em mapa: mapa global construído incrementalmente a partir de sucessivas leituras dos sensores (mapa local) enquanto robô explora o ambiente.
● Problema: necessidade de sensores precisos e ambientes com características físicas de fácil distinção.
Introdução (3)Objetivo Metodologia (3)MRDS (4)SLAM (5/11)Scan Matching (13)Solução Proposta (7)Resultados (15)Conclusão (2)Trabalhos Futuros (3).
18/66
Localização e Mapeamento Simultâneo (SLAM)● Mapeamento
● Mapas Métricos: (a) Grades de Ocupação e (b) Nuvem-de-Pontos .
(a) (b)
Introdução (3)Objetivo Metodologia (3)MRDS (4)SLAM (6/11)Scan Matching (13)Solução Proposta (7)Resultados (15)Conclusão (2)Trabalhos Futuros (3).
19/66
Localização e Mapeamento Simultâneo (SLAM)● Mapeamento
● Mapas Topológicos: Grafos (a) e Diagramas de Voronoi (b).
(a) (b)Fonte: (SLAMET et al., 2006)
Introdução (3)Objetivo Metodologia (3)MRDS (4)SLAM (7/11)Scan Matching (13)Solução Proposta (7)Resultados (15)Conclusão (2)Trabalhos Futuros (3).
20/66
Localização e Mapeamento Simultâneo (SLAM)● Mapeamento
● Mapas Baseados em Características: Mapas de Marcos (Landmark Maps).
Exemplo estimação do mapa e posição do veiculo via filtro de Kalman.Fonte: Thrun (2002).
Introdução (3)Objetivo Metodologia (3)MRDS (4)SLAM (8/11)Scan Matching (13)Solução Proposta (7)Resultados (15)Conclusão (2)Trabalhos Futuros (3).
21/66
Localização e Mapeamento Simultâneo (SLAM)● Segundo Thrun (2002) ao lidar com
situações reais, uma solução para o problema SLAM deve lidar com os seguintes aspectos:● Limitações e ruídos dos sensores.● Acúmulo de erros.● Dimensionalidade dos dados.● Correta associação entre dados do
ambiente, tratamento de obstáculos e ambientes dinâmicos.
Introdução (3)Objetivo Metodologia (3)MRDS (4)SLAM (9/11)Scan Matching (13)Solução Proposta (7)Resultados (15)Conclusão (2)Trabalhos Futuros (3).
22/66
Localização e Mapeamento Simultâneo (SLAM)● Abordagens
● EKF um dos mais utilizados na solução SLAM (THRUN; BURGARD; FOX, 2005).
● Mapas de marcos são empregados para calcular estimativas de posicionamento e modelar as incertezas relativas a solução gerada.
● Utiliza modelo estatístico de sensores e movimentação do robô.
Introdução (3)Objetivo Metodologia (3)MRDS (4)SLAM (10/11)Scan Matching (13)Solução Proposta (7)Resultados (15)Conclusão (2)Trabalhos Futuros (3).
23/66
Localização e Mapeamento Simultâneo (SLAM)
● Abordagens● Correspondência (matching) entre marcos
(BORENSTEIN et al., 1997) ou entre pontos identificados pelo sensor no ambiente (LU; MILIOS, 1994).
● Abordagem essencialmente numérica e computacional (DISSANAYAKE et al., 2001).
● Boa parte destes métodos empregam variações do algoritmo ICP (Iterative Closest Point) desenvolvido por Besl e McKay (1992).
Introdução (3)Objetivo Metodologia (3)MRDS (4)SLAM (11/11)Scan Matching (13)Solução Proposta (7)Resultados (15)Conclusão (2)Trabalhos Futuros (3).
24/66
● Alinhamento entre conjunto de pontos (2D ou 3D).
● Conjunto observado é alinhado a um conjunto referência com o objetivo de obter a máxima correspondência entre seus elementos.
● Obter a translação e rotação necessária para a sobreposição máxima entre os conjuntos.
Scan Matching
Introdução (3)Objetivo Metodologia (3)MRDS (4)SLAM (11)Scan Matching (1/13)Solução Proposta (7)Resultados (15)Conclusão (2)Trabalhos Futuros (3).
25/66
● Segundo Lu e Milios (1994), pode-se definir também como um método de busca em que a menor distância entre os conjuntos é o estado final desejado.
● Usualmente a estimativa de deslocamento por dead-recknoning é utilizada como aproximação inicial para esta busca (LU; MILIOS,1994).
Scan Matching
Introdução (3)Objetivo Metodologia (3)MRDS (4)SLAM (11)Scan Matching (2/13)Solução Proposta (7)Resultados (15)Conclusão (2)Trabalhos Futuros (3).
26/66
Pode-se classificar estes algoritmos como:● Correspondências baseadas
apenas em características (feature to feature).
● Correspondências baseadas em pontos e características (point to feature).
● Correspondências baseadas apenas em pontos (point to point).
Scan Matching
Introdução (3)Objetivo Metodologia (3)MRDS (4)SLAM (11)Scan Matching (3/13)Solução Proposta (7)Resultados (15)Conclusão (2)Trabalhos Futuros (3).
27/66
Correspondência entre pontos gerados pelo sensor laser● Caso (point to point).● Neste trabalho, o sensor está
montado em um plano paralelo ao chão do robô, perfazendo um recorte 2D do ambiente.
Scan Matching
Introdução (3)Objetivo Metodologia (3)MRDS (4)SLAM (11)Scan Matching (4/13)Solução Proposta (7)Resultados (15)Conclusão (2)Trabalhos Futuros (3).
28/66
Scan Matching
(a) Direção de transmissão e ângulo máximo de escaneamento do Sick LMS200. Fonte: https://www.mysick.com(b) Configuração e leitura do sensor Sick no P3DX. Fonte: http://www.mbeckler.org/coursework/2007-2008/robotics_slam.pdf
(a) (b)
Introdução (3)Objetivo Metodologia (3)MRDS (4)SLAM (11)Scan Matching (5/13)Solução Proposta (7)Resultados (15)Conclusão (2)Trabalhos Futuros (3).
29/66
Scan Matching
(a) (b)
(a) Coordenadas polares e cartesianas para o ponto e respectivas equações (b).
(3.1)
(3.2)
pik
=180º
=0,5ºi=0,... , N.N=360Introdução (3)
Objetivo Metodologia (3)MRDS (4)SLAM (11)Scan Matching (6/13)Solução Proposta (7)Resultados (15)Conclusão (2)Trabalhos Futuros (3).
30/66
Scan Matching
Os pontos de uma leitura devem ser associadas com os de outra.
(a) Antes do alinhamento e (b) Depois do alinhamento.
poskcorr
posk1corr
correspondência
(a) (b)
poskcorr
posk1odo
correspondência
Introdução (3)Objetivo Metodologia (3)MRDS (4)SLAM (11)Scan Matching (7/13)Solução Proposta (7)Resultados (15)Conclusão (2)Trabalhos Futuros (3).
31/66
Scan Matching● Leituras consecutivas (k e k+1)
apresentam um deslocamento relativo e um incremento rotacional entre os planos XY
K e XY
k+1 dado
por Tk.
Introdução (3)Objetivo Metodologia (3)MRDS (4)SLAM (11)Scan Matching (8/13)Solução Proposta (7)Resultados (15)Conclusão (2)Trabalhos Futuros (3).
32/66
Scan Matching
Para que seja estabelecida uma correta correspondência entre as leituras as novas devem ser projetadas em XY
K utilizando T
k.
Introdução (3)Objetivo Metodologia (3)MRDS (4)SLAM (11)Scan Matching (9/13)Solução Proposta (7)Resultados (15)Conclusão (2)Trabalhos Futuros (3).
33/66
Scan Matching● Correspondência
● Descarte de outliers e contagem de correspondências válidas
Introdução (3)Objetivo Metodologia (3)MRDS (4)SLAM (11)Scan Matching (10/13)Solução Proposta (7)Resultados (15)Conclusão (2)Trabalhos Futuros (3).
34/66
Scan Matching● Grau de sobreposição da transformação
● Índice de qualidade da transformação
Introdução (3)Objetivo Metodologia (3)MRDS (4)SLAM (11)Scan Matching (11/13)Solução Proposta (7)Resultados (15)Conclusão (2)Trabalhos Futuros (3).
35/66
Scan Matching● O Algoritmo ICP (Iterative Closest Point)
Introdução (3)Objetivo Metodologia (3)MRDS (4)SLAM (11)Scan Matching (12/13)Solução Proposta (7)Resultados (15)Conclusão (2)Trabalhos Futuros (3).
36/66
Scan Matching● O Algoritmo ICP – Tranformação rigida (MARTÍNEZ et al., 2006).
Introdução (3)Objetivo Metodologia (3)MRDS (4)SLAM (11)Scan Matching (13/13)Solução Proposta (7)Resultados (15)Conclusão (2)Trabalhos Futuros (3).
37/66
Solução Proposta● (a) Aproximação inicial (tempo discreto
k=0).● (b) Aproximação inicial (tempo discreto
k>0)
(a) (b)
poskcorr
posk1odo
correspondência
T kcand. 0
T k−1ótimo.
Introdução (3)Objetivo Metodologia (3)MRDS (4)SLAM (11)Scan Matching (13)Solução Proposta (1/7)Resultados (15)Conclusão (2)Trabalhos Futuros (3).
poskcorr
posk1odo
correspondência
T kcand. 0
38/66
Solução Proposta● (c) Testes adicionais baseados em índice
de qualidade.● (d) Será escolhida a transformação que
apresentar o menor valor para o índice para a equação (3.9).
correspondência
poskcorr T k
aprox. 1
T kaprox. 2
T kaprox. 3
T kcand.4
T kótimo
Introdução (3)Objetivo Metodologia (3)MRDS (4)SLAM (11)Scan Matching (13)Solução Proposta (2/7)Resultados (15)Conclusão (2)Trabalhos Futuros (3).
(c) (d)
correspondência
poskcorr
T kcand.1 T k
cand. 2
T kcand. 3
T kcand. 4
39/66
Solução Proposta● Mapas: local e global.● Passos:
1. Projeta-se mapa local utilizando a estimativa odométrica.
2.3. Calcula-se a qualidade desta
transformação dado pela equação (3.9)4. Se índice calculado para a transformação
for menor que limiar, a aproximação será considerada boa e esta será usada para inserir as informações do mapa local no mapa global.
Introdução (3)Objetivo Metodologia (3)MRDS (4)SLAM (11)Scan Matching (13)Solução Proposta (3/7)Resultados (15)Conclusão (2)Trabalhos Futuros (3).
40/66
Solução Proposta
Passos:5. Caso não (valor maior que limiar), então
são efetuados os seguintes testes adicionais.
Introdução (3)Objetivo Metodologia (3)MRDS (4)SLAM (11)Scan Matching (13)Solução Proposta (4/7)Resultados (15)Conclusão (2)Trabalhos Futuros (3).
41/66
Solução Proposta● Passos:
5. (Continuação)
Introdução (3)Objetivo Metodologia (3)MRDS (4)SLAM (11)Scan Matching (13)Solução Proposta (5/7)Resultados (15)Conclusão (2)Trabalhos Futuros (3).
42/66
Solução Proposta
Passos:6. A transformação que apresentar o
menor índice será empregada.
Introdução (3)Objetivo Metodologia (3)MRDS (4)SLAM (11)Scan Matching (13)Solução Proposta (6/7)Resultados (15)Conclusão (2)Trabalhos Futuros (3).
43/66
Solução Proposta●
Introdução (3)Objetivo Metodologia (3)MRDS (4)SLAM (11)Scan Matching (13)Solução Proposta (7/7)Resultados (15)Conclusão (2)Trabalhos Futuros (3).
44/66
Resultados● Ambiente B – Mapa 3D e Trajetória.
Ambiente com MAIOR “rugosidade”.
Introdução (3)Objetivo Metodologia (3)MRDS (4)SLAM (11)Scan Matching (13)Solução Proposta (77)Resultados (1/15)Conclusão (2)Trabalhos Futuros (3).
45/66
Resultados● Ambiente B - Trajetórias
Introdução (3)Objetivo Metodologia (3)MRDS (4)SLAM (11)Scan Matching (13)Solução Proposta (7)Resultados (2/15)Conclusão (2)Trabalhos Futuros (3).
46/66
Resultados● Ambiente B
Ambiente B: EAP, EAA
Introdução (3)Objetivo Metodologia (3)MRDS (4)SLAM (11)Scan Matching (13)Solução Proposta (7)Resultados (3/15)Conclusão (2)Trabalhos Futuros (3).
47/66
Resultados● Ambiente B
Ambiente B: Mapas Finais
Introdução (3)Objetivo Metodologia (3)MRDS (4)SLAM (11)Scan Matching (13)Solução Proposta (7)Resultados (4/15)Conclusão (2)Trabalhos Futuros (3).
48/66
Resultados● Ambiente B - Diferença relativa de
89, 1% para ed final
(m) e 74, 64% para e
θ final(º).
Introdução (3)Objetivo Metodologia (3)MRDS (4)SLAM (11)Scan Matching (13)Solução Proposta (7)Resultados (5/15)Conclusão (2)Trabalhos Futuros (3).
49/66
Resultados● Ambiente B -Teste KS
Introdução (3)Objetivo Metodologia (3)MRDS (4)SLAM (11)Scan Matching (13)Solução Proposta (7)Resultados (6/15)Conclusão (2)Trabalhos Futuros (3).
50/66
Resultados● Ambiente E – Mapa 3D e Trajetória.
Ambiente com MENOR “rugosidade”.
Introdução (3)Objetivo Metodologia (3)MRDS (4)SLAM (11)Scan Matching (13)Solução Proposta (7)Resultados (7/15)Conclusão (2)Trabalhos Futuros (3).
51/66
Resultados● Ambiente E - Trajetórias
Introdução (3)Objetivo Metodologia (3)MRDS (4)SLAM (11)Scan Matching (13)Solução Proposta (7)Resultados (8/15)Conclusão (2)Trabalhos Futuros (3).
52/66
Resultados● Ambiente B
Ambiente E: EAP, EAA
Introdução (3)Objetivo Metodologia (3)MRDS (4)SLAM (11)Scan Matching (13)Solução Proposta (7)Resultados (9/15)Conclusão (2)Trabalhos Futuros (3).
53/66
Resultados● Ambiente B
Ambiente E: Mapas Finais
Introdução (3)Objetivo Metodologia (3)MRDS (4)SLAM (11)Scan Matching (13)Solução Proposta (7)Resultados (10/15)Conclusão (2)Trabalhos Futuros (3).
54/66
Resultados● Ambiente E - Diferença relativa maior que
90% para os valores finais dos erros em favor do ICP.
Introdução (3)Objetivo Metodologia (3)MRDS (4)SLAM (11)Scan Matching (13)Solução Proposta (7)Resultados (11/15)Conclusão (2)Trabalhos Futuros (3).
55/66
Resultados● Ambiente E – Teste KS
● Observa-se que tanto as correções efetuadas pelo ICP, quanto as efetuadas pela solução não foram muito significativas para a correção de deslocamento. Entretanto foram efetivas para a correção angular.
Introdução (3)Objetivo Metodologia (3)MRDS (4)SLAM (11)Scan Matching (13)Solução Proposta (7)Resultados (12/15)Conclusão (2)Trabalhos Futuros (3).
56/66
ResultadosDemais Ambientes● Ambiente A - Diferença relativa de
95,59% para ed final
(m) e 95,24% para e
θ final(º) para solução.
Introdução (3)Objetivo Metodologia (3)MRDS (4)SLAM (11)Scan Matching (13)Solução Proposta (7)Resultados (13/15)Conclusão (2)Trabalhos Futuros (3).
57/66
ResultadosDemais Ambientes● Ambiente C - Diferença relativa de
80,16% para ed final
(m) e 24,45% para e
θ final(º) para a solução.
Introdução (3)Objetivo Metodologia (3)MRDS (4)SLAM (11)Scan Matching (13)Solução Proposta (7)Resultados (14/15)Conclusão (2)Trabalhos Futuros (3).
58/66
ResultadosDemais Ambientes● Ambiente D - Diferenças relativas
maiores que 90% em favor do ICP.
Introdução (3)Objetivo Metodologia (3)MRDS (4)SLAM (11)Scan Matching (13)Solução Proposta (7)Resultados (15/15)Conclusão (2)Trabalhos Futuros (3).
59/66
Conclusão● Através dos resultados obtidos pode-se
afirmar que este método obtém êxito em alguns casos, principalmente aqueles em que o ambiente possui uma maior ”rugosidade”.
● Para estes ambientes, os resultados foram sensivelmente superiores, obtendo uma diferença relativa maior que 50% para os valores finais dos erros de deslocamento e maior que 20% para os valores finais dos erros angulares (ambientes A, B e C).
Introdução (3)Objetivo Metodologia (3)MRDS (4)SLAM (11)Scan Matching (13)Solução Proposta (7)Resultados (15)Conclusão (1/2)Trabalhos Futuros (3).
60/66
Conclusão● Para os ambientes com menor
“rugosidade” (D e E) observou-se que tanto o ICP quanto a solução conseguem melhorar a estimativa, mas não muito devido a ambiguidade destes ambientes.
Introdução (3)Objetivo Metodologia (3)MRDS (4)SLAM (11)Scan Matching (13)Solução Proposta (7)Resultados (15)Conclusão (2/2)Trabalhos Futuros (3).
61/66
Trabalhos Futuros
Para melhorar a solução proposta, pode-se considerar a utilização em conjunto com:● Métodos probabilísticos como ferramenta
para se minimizar os efeitos dos problemas causados pela ambiguidade presente em certos ambientes. Durante as simulações este fenômeno demostrou-se mais significativo do que era esperado.
● Métodos de aprendizado por reforço como em Monteiro e Ribeiro (2004), também poderiam diminuir os efeitos causados pela ambiguidade.
Introdução (3)Objetivo Metodologia (3)MRDS (4)SLAM (11)Scan Matching (13)Solução Proposta (7)Resultados (15)Conclusão (2)Trabalhos Futuros (1/3)
62/66
Trabalhos Futuros● Fusão de vários mapas de robôs diferentes,
utilizando um método como o descrito em Biber e Strasser (2006).
● Inserção de métodos para aceleração da seleção e descarte prévios de outliers. O tempo de processamento pode ser reduzido significativamente se implementado um método que permita diminuir o número de comparações em cada iteração, ou ao menos mantê-lo constante.
Introdução (3)Objetivo Metodologia (3)MRDS (4)SLAM (11)Scan Matching (13)Solução Proposta (7)Resultados (15)Conclusão (2)Trabalhos Futuros (2/3)
63/66
Trabalhos Futuros● Adição de métodos para detecção de ciclos
no ambiente e semelhança entre regiões previamente exploradas. O uso em conjunto com um método como o proposto em Gutmann e Konolige (1999), no qual é feito registo local e correlação global, pode apresentar bons resultados.
● Utilização em conjunto com algoritmos para planejamento de rotas: pode ser empregado juntamente com mapas topológicos, para construção de algoritmos de navegação, ou algum outro método como, por exemplo, VFH (BORENSTEIN; KOREN, 1991).
Introdução (3)Objetivo Metodologia (3)MRDS (4)SLAM (11)Scan Matching (13)Solução Proposta (7)Resultados (15)Conclusão (2)Trabalhos Futuros (3/3)
64/66
Aplicações● Robotic mapping/floor plan
technologyhttp://www.youtube.com/watch?v=jxMVshpYYyk&NR=1
65/66
Links Interesantes● SLAM for dummies
http://ocw.mit.edu/NR/rdonlyres/Aeronautics-and-Astronautics/16-412JSpring-2005/9D8DB59F-24EC-4B75-BA7A-F0916BAB2440/0/1aslam_blas_repo.pdf
● OpenSlamhttp://www.openslam.org/
● The Mobile Robot Programming Toolkit (MRPT)http://babel.isa.uma.es/mrpt/index.php/Main_Page
● The Rawseeds Projecthttp://www.rawseeds.org
● Professional Microsoft Robotics Developer Studio Companion Web Site.http://www.promrds.com
66/66
CENTRO TÉCNICO AEROESPACIALINSTITUTO TECNOLÓGICO DE AERONÁUTICA
DIVISÃO DE ENGENHARIA ELETRÔNICADEPARTAMENTO DE SISTEMAS DE CONTROLE
LOCALIZAÇÃO E MAPEAMENTO EM TEMPOREAL UTILIZANDO ROBÔ SIMULADO NO
MICROSOFT® ROBOTICS DEVELOPER STUDIO
Wilian França CostaOrientador: Prof. Dr. Jackson Paul Matsuura
Co-orientador: Prof. Dr. Alexandre da Silva Simões
LOCALIZAÇÃO E MAPEAMENTO EM TEMPOREAL UTILIZANDO ROBÔ SIMULADO NO
MICROSOFT® ROBOTICS DEVELOPER STUDIO
Wilian França CostaOrientador: Prof. Dr. Jackson Paul Matsuura
Co-orientador: Prof. Dr. Alexandre da Silva Simões
São José dos Campos, 23 de dezembro de 2009São José dos Campos, 23 de dezembro de 2009