Rastreamento de Trajetórias - Apresentação Final

1.366 visualizações

Publicada em

Apresentação final do trabalho de formatura.

Publicada em: Tecnologia
0 comentários
0 gostaram
Estatísticas
Notas
  • Seja o primeiro a comentar

  • Seja a primeira pessoa a gostar disto

Sem downloads
Visualizações
Visualizações totais
1.366
No SlideShare
0
A partir de incorporações
0
Número de incorporações
24
Ações
Compartilhamentos
0
Downloads
16
Comentários
0
Gostaram
0
Incorporações 0
Nenhuma incorporação

Nenhuma nota no slide

Rastreamento de Trajetórias - Apresentação Final

  1. 1. Rastreamento de trajetórias de robôs móveis Orientador: Prof. Dr. José Jaime da Cruz George Guimarães Jonathan Xavier Tatiana Ozeki
  2. 2. confiar em sensores?
  3. 3. Problema : localização
  4. 4. Objetivos <ul><li>Estudar o problema de estimação de trajetórias de robôs móveis </li></ul><ul><li>Avaliar o efeito do número de sensores na estimação </li></ul><ul><li>Avaliar o desempenho da estimação utilizando o filtro de Kalman </li></ul>
  5. 5. Referências Bibliográficas <ul><li>Gelb, Arthur </li></ul><ul><ul><li>Applied Optimal Estimation </li></ul></ul><ul><li>Hall, D.L. Llinas, J. </li></ul><ul><ul><li>An introduction to multisensor data fusion </li></ul></ul><ul><li>Durrant-Whyte, Hugh </li></ul><ul><ul><li>Sensor Models and Multisensor Integration </li></ul></ul><ul><li>Gutmann, J. S. et al. </li></ul><ul><ul><li>An experimental comparison of localization methods </li></ul></ul>
  6. 6. Filtro de Kalman e Modelo do Sistema
  7. 7. Aplicação do Algoritmo Estimativas iniciais (1) Calcular o ganho de Kalman (2) Atualizar a estimativa com a medida z k (3) Atualizar a covariância do erro (1) Projetar o estado à frente (2) Projetar a covariância do erro à frente Atualização das Medidas (“Corretor”) Atualização do tempo (“Preditor”)
  8. 8. Modelo do sistema
  9. 9. Equações de Estado ,
  10. 10. Equações de Medidas Onde e são as distâncias dos sensores ao eixo.
  11. 11. Plataforma
  12. 16. Desalinhamento dos eixos
  13. 17. Software de medição
  14. 18. Mouse reader
  15. 19. Vetores
  16. 20. Simulação
  17. 21. Caso ideal
  18. 22. Com erro de alinhamento
  19. 23. Alinhamento corrigido
  20. 24. Resultados Experimentais
  21. 31. Conclusões <ul><li>Filtro de Kalman: preditor poderoso </li></ul><ul><li>Conhecimento do modelo é essencial </li></ul><ul><li>Conhecimento dos sensores auxilia a estimativa </li></ul><ul><li>Aumento do número de sensores melhora a estimativa </li></ul><ul><li>Estimativa do ângulo é fraca </li></ul>
  22. 32. Obrigado! ?

×