Dados do Trabalhos de Conclusão

INSTITUTO MILITAR DE ENGENHARIA
ENGENHARIA DE DEFESA (31007015011P8)
ABORDAGEM PROBABILÍSTICA PARA AUTOLOCALIZAÇÃO DE UM ROBÔ COM ATUALIZAÇÃO DE MARCOS VISUAIS USANDO REDES NEURAIS ARTIFICIAIS E FILTRAGEM DE OUTLIERS
FABIO SILVEIRA VIDAL
TESE
05/12/2016

Este trabalho aborda um problema fundamental da robótica móvel autônoma conhecido como SLAM (Simultaneous Localization and Mapping). É apresentado um método para autolocalização de um robô terrestre em ambiente indoors. Algoritmos do estado da arte utilizam recursos como marcos previamente definidos ou sensores como câmeras, odometria, acelerômetro e IMU (Inertial Measurement Unit). Alguns métodos não suportam descontinuidade de observações durante a trajetória do robô. A abordagem desenvolvida neste trabalho tem o diferencial de utilizar, como entrada, apenas os comandos executados pelo robô e os dados de uma câmera RGBD (Red-Green-Blue-Depth) embarcada. O método é probabilístico e estima a pose do robô a partir de marcos visuais (não definidos previamente) e os reobserva por meio de algoritmos de visão computacional. Para tanto, foi necessário conceber um filtro de outliers original para rejeitar marcos ambíguos e/ou móveis. Este processo é realizado considerando a alteração da correlação das posições dos marcos no decorrer do tempo. O filtro de partículas é uma ferramenta amplamente utilizada em métodos SLAM. Com o mesmo, um conjunto de partículas (poses hipotéticas) é gerado inicialmente e atualizado a cada passo. Já no método proposto, um novo conjunto de partículas é gerado de modo original a cada estimativa da pose. Um belief é atribuído a cada partícula. A partir dos mesmos, se calcula uma média ponderada para estimação da pose. Desta forma, se tem suporte à descontinuidade de observações e o acúmulo de erro é corrigido ao se revisitar uma área com observações de melhor acurácia. Experimentos reais e simulados foram conduzidos com uso de uma plataforma experimental composta por um robô móvel diferencial, equipado com uma câmera RGBD, sensor laser 2D e computador embarcado. A integração entre a aplicação implementada e o hardware ou simulador empregados foi feita com uma plataforma robótica versátil, a qual permite a execução de um software via hardware ou simulador. Tradicionalmente, se utiliza o filtro de Kalman estendido para estimação da pose do robô e o filtro de Kalman para atualização das posições dos marcos. Em experimentos iniciais, a atualização dos marcos foi feita de modo original com uso de uma rede neural multilayer perceptron. Assim, foi possível reduzir o tempo de processamento em até doze vezes. Além disso, com a abordagem probabilística proposta, foi viável atualizar a posição dos marcos de modo direto, sem uso de filtro de Kalman ou de rede neural, mantendo a mesma acurácia na pose. Isto foi possível em consequência do uso do filtro de outliers proposto, o qual evita ruídos na estimativa da pose.

SLAM;ROBÓTICA MÓVEL;VISÃO COMPUTACIONAL;REDES NEURAIS ARTIFICIAIS
This work addresses an essential problem of autonomous mobile robotics known as SLAM (Simultaneous Localization and Mapping). It presents a method to self-localization of a terrain robot in an indoors environment. State of the art algorithms use resources such as known landmarks or sensors (e. g. cameras, odometry and IMU -- Inertial Measurement Unit --). Some methods do not support gaps of observations during the trajectory of a robot. The approach developed has the advantage to use as input only commands and data from an RGBD (Red-Green-Blue-Depth) camera. The proposed method is probabilistic and estimates the pose of a robot using visual landmarks (not previously defined) and recognizing them through vision computer algorithms. Therefore, it was developed an original outliers filter to reject ambiguous and mobile landmarks. This process is performed considering the change in landmarks positions correlation over time. A particle filter is a probabilistic tool largely used by SLAM methods. Initially, a set of particles (hypothetical poses) is generated, so it is updated at each step. Our method generates a new set of particles at each pose estimation, by an original way. A belief is attributed to each particle, so a weighted average is calculated with them. Therefore, error accumulation is corrected using landmarks with better accuracy. Thus, observations gaps are supported. Real and simulated experiments were performed using an experimental platform comprised by a differential mobile robot, an RGBD camera, a 2D laser sensor, and an embedded computer. A versatile robotic framework integrates our application and the employed hardware and the simulator. Thus, there is no need to make changes in the original software to use the hardware or the simulator. Usually, the extended Kalman filter is used to estimate the pose of a robot, and the Kalman filter is used to update the landmarks positions. In initial experiments, the positions of the landmarks were updated, by the original way, using a multilayer perceptron. Thus, time processing was reduced up to 12 times. Furthermore, using our probabilistic approach, the landmark update task was done without the Kalman filter neither neural network, keeping the pose accuracy. This was possible due to the proposed outliers filter, which avoids noise on the pose estimative.
SLAM;MOBILE ROBOTICS;COMPUTER VISION;ARTIFICIAL NEURAL NETWORKS
1
132
PORTUGUES
INSTITUTO MILITAR DE ENGENHARIA
O trabalho possui divulgação autorizada

Contexto

ENGENHARIA DE DEFESA
MECATRÔNICA E SISTEMAS DE ARMAS
NVANT - DESENVOLVIMENTO DE METODOLOGIAS PARA CONSTRUÇÃO DE PROTÓTIPOS E TÉCNICAS DE PAYLOAD DE VEÍCULOS AÉREOS NÃO TRIPULADOS

Banca Examinadora

PAULO FERNANDO FERREIRA ROSA
DOCENTE - PERMANENTE
Sim
Nome Categoria
MARLEY MARIA BERNARDES REBUZZI VELLASCO Participante Externo
LUIZ MARCOS GARCIA GONCALVES Participante Externo
PAULO CESAR PELLANDA Docente - PERMANENTE
CLAUDIA MARCELA JUSTEL Participante Externo
JAUVANE CAVALCANTE DE OLIVEIRA Participante Externo

Vínculo

Servidor Público
Instituição de Ensino e Pesquisa
Ensino e Pesquisa
Sim