CENTRO TÉCNICO AEROESPACIALINSTITUTO TECNOLÓGICO DE AERONÁUTICA   DIVISÃO DE ENGENHARIA ELETRÔNICADEPARTAMENTO DE SISTEMAS...
Introdução                         ●                             Para que um robô móvel seja                             c...
Motivação                         ●                             Localização e Mapeamento Simultâneo                       ...
Motivação                         ●                             Exemplo de sucesso: robô Stanley                          ...
Objetivo                        Desenvolvimento e implementação de                        um algoritmo para a estimação e ...
Metodologia                         ●                             Para verificação da solução proposta                    ...
Metodologia                         ●                             Em cada experimento, os mapas                           ...
Metodologia                         ●                             Os algoritmos são avaliados com                         ...
MICROSOFT ROBOTICS    ®                         DEVELOPER STUDIO                         (MRDS)                         ● ...
MICROSOFT ROBOTICS   ®                         DEVELOPER STUDIO                         (MRDS)                         ●  ...
MICROSOFT ROBOTICS       ®                         DEVELOPER STUDIO                         (MRDS)                        ...
MICROSOFT ROBOTICS                                  ®                         DEVELOPER STUDIO                         (MR...
Localização e                           Mapeamento Simultâneo                           (SLAM)Introdução (3)ObjetivoMetodo...
Localização e                         Mapeamento Simultâneo                         (SLAM)                         ●      ...
Localização e                         Mapeamento Simultâneo                         (SLAM)                         ●      ...
Localização e                         Mapeamento Simultâneo                         (SLAM)                         ●      ...
Localização e                         Mapeamento Simultâneo                         (SLAM)                         ●      ...
Localização e                         Mapeamento Simultâneo                         (SLAM)                         ●      ...
Localização e                         Mapeamento Simultâneo                         (SLAM)                         ●      ...
Localização e                         Mapeamento Simultâneo                         (SLAM)                         ●      ...
Localização e                         Mapeamento Simultâneo                         (SLAM)                         ●      ...
Localização e                         Mapeamento Simultâneo                         (SLAM)                         ●      ...
Localização e                             Mapeamento Simultâneo                             (SLAM)                        ...
Scan Matching                         ●                             Alinhamento entre conjunto de                         ...
Scan Matching                         ●                             Segundo Lu e Milios (1994), pode-                     ...
Scan Matching                         Pode-se classificar estes algoritmos                         como:                  ...
Scan Matching                          Correspondência entre pontos                          gerados pelo sensor laser    ...
Scan Matching                                        (a)                              (b)                         (a) Dire...
Scan Matching                                                                                           (3.1)             ...
Scan Matching                          Os pontos de uma leitura devem                          ser associadas com os de ou...
Scan Matching                         ●                             Leituras consecutivas (k e k+1)                       ...
Scan Matching                          Para que seja estabelecida uma                          correta correspondência ent...
Scan Matching                         ●                             Correspondência                         ●             ...
Scan Matching                         ●                             Grau de sobreposição da transformação                 ...
Scan Matching                         ●                             O Algoritmo ICP (Iterative Closest Point)Introdução (3...
Scan Matching                         ●                             O Algoritmo ICP – Tranformação rigida (MARTÍNEZ et al....
Solução Proposta                         ●                             (a) Aproximação inicial (tempo discreto            ...
Solução Proposta                         ●                             (c) Testes adicionais baseados em índice           ...
Solução Proposta                         ●                             Mapas: local e global.                         ●   ...
Solução Proposta                          Passos:                          5. Caso não (valor maior que limiar), então    ...
Solução Proposta                         ●                             Passos:                             5. (Continuação...
Solução Proposta                          Passos:                          6. A transformação que apresentar o            ...
Solução Proposta                         ●Introdução (3)ObjetivoMetodologia (3)MRDS (4)SLAM (11)Scan Matching (13)Solução ...
Resultados                         ●                             Ambiente B – Mapa 3D e Trajetória.Introdução (3)ObjetivoM...
Resultados                         ●                             Ambiente B - TrajetóriasIntrodução (3)ObjetivoMetodologia...
Ambiente B:  EAP, EAA                         Resultados                         ●                             Ambiente BI...
Ambiente B:  Mapas Finais                         Resultados                         ●                             Ambient...
Resultados                         ●                             Ambiente B - Diferença relativa de                       ...
Resultados                         ●                             Ambiente B -Teste KSIntrodução (3)ObjetivoMetodologia (3)...
Resultados                         ●                             Ambiente E – Mapa 3D e Trajetória.Introdução (3)ObjetivoM...
Resultados                         ●                             Ambiente E - TrajetóriasIntrodução (3)ObjetivoMetodologia...
Ambiente E:  EAP, EAA                         Resultados                         ●                             Ambiente BI...
Ambiente E:  Mapas Finais                         Resultados                         ●                             Ambient...
Resultados                         ●                             Ambiente E - Diferença relativa maior que                ...
Resultados                         ●                             Ambiente E – Teste KS                             ●      ...
Resultados                          Demais Ambientes                          ●                              Ambiente A - ...
Resultados                          Demais Ambientes                          ●                              Ambiente C - ...
Resultados                          Demais Ambientes                          ●                              Ambiente D - ...
Conclusão                         ●                             Através dos resultados obtidos pode-se                    ...
Conclusão                         ●                             Para os ambientes com menor                             “r...
Trabalhos Futuros                           Para melhorar a solução proposta, pode-se                           considerar...
Trabalhos Futuros                           ●                               Fusão de vários mapas de robôs diferentes,    ...
Trabalhos Futuros                           ●                               Adição de métodos para detecção de ciclos     ...
Aplicações●    Robotic mapping/floor plan    technology    http://www.youtube.com/watch?v=jxMVshpYYyk&NR=1                ...
Links Interesantes●    SLAM for dummies    http://ocw.mit.edu/NR/rdonlyres/Aeronautics-and-Astronautics/16-    412JSpring-...
CENTRO TÉCNICO AEROESPACIALINSTITUTO TECNOLÓGICO DE AERONÁUTICA   DIVISÃO DE ENGENHARIA ELETRÔNICADEPARTAMENTO DE SISTEMAS...
Próximos SlideShares
Carregando em…5
×

LOCALIZAÇÃO E MAPEAMENTO EM TEMPO REAL UTILIZANDO ROBÔ SIMULADO NO MICROSOFT® ROBOTICS DEVELOPER STUDIO

883 visualizações

Publicada em

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.

0 comentários
1 gostou
Estatísticas
Notas
  • Seja o primeiro a comentar

Sem downloads
Visualizações
Visualizações totais
883
No SlideShare
0
A partir de incorporações
0
Número de incorporações
3
Ações
Compartilhamentos
0
Downloads
8
Comentários
0
Gostaram
1
Incorporações 0
Nenhuma incorporação

Nenhuma nota no slide

LOCALIZAÇÃO E MAPEAMENTO EM TEMPO REAL UTILIZANDO ROBÔ SIMULADO NO MICROSOFT® ROBOTICS DEVELOPER STUDIO

  1. 1. CENTRO TÉCNICO AEROESPACIALINSTITUTO TECNOLÓGICO DE AERONÁUTICA DIVISÃO DE ENGENHARIA ELETRÔNICADEPARTAMENTO DE SISTEMAS DE CONTROLE LOCALIZAÇÃO E MAPEAMENTO EM TEMPO REAL UTILIZANDO ROBÔ SIMULADO NO MICROSOFT® ROBOTICS DEVELOPER STUDIO Wilian França Costa Orientador: Prof. Dr. Jackson Paul Matsuura Co-orientador: Prof. Dr. Alexandre da Silva Simões 1/66 São José dos Campos, 23 de dezembro de 2009
  2. 2. Introdução ● 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 construçãoIntrodução (1/3)ObjetivoMetodologia (3) progressiva de um mapa utilizando osMRDS (4)SLAM (11) dados de seus sensores (GUTMANN;Scan Matching (13)Solução Proposta (7) KONOLIGE, 1999; HOWARD, 2004).Resultados (15) 2/66Conclusão (2)Trabalhos Futuros (3).
  3. 3. 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) eIntrodução (2/3) combinações entre eles (BIBER;ObjetivoMetodologia (3) STRASSER, 2006).MRDS (4)SLAM (11)Scan Matching (13)Solução Proposta (7)Resultados (15) 3/66Conclusão (2)Trabalhos Futuros (3).
  4. 4. 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).Introdução (3/3)Objetivo (a) Ilustração do sensor laser: o sensor é inclinado para escanear oMetodologia (3)MRDS (4) terreno enquanto o robô se movimenta. O robô possui 5 sensoresSLAM (11) montados em ângulos diferentes. (b) Cada scanner monta umaScan Matching (13)Solução Proposta (7) representação 3D em nuvem-de-pontos para identificar obstáculos.Resultados (15)Conclusão (2) Fonte:(THRUN et al., 2006). 4/66Trabalhos Futuros (3).
  5. 5. Objetivo 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.).Introdução (3)ObjetivoMetodologia (3)MRDS (n)SLAM (1/n)Scan Matching (n)Solução Proposta (n)Resultados (n) 5/66ConclusãoTrabalhos Futuros.
  6. 6. 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).Introdução (3) ● Foram efetuados um total de dezObjetivoMetodologia (1/3) execuções, uma para cada algoritmoMRDS (4)SLAM (11)Scan Matching (13) em teste no ambiente.Solução Proposta (7)Resultados (15) 6/66Conclusão (2)Trabalhos Futuros (3).
  7. 7. Metodologia ● Em cada experimento, os mapas internos do robô são construídos utilizando os dados fornecidos pelos sensores aplicados aos algoritmos em teste.Introdução (3) ● Ambientes de teste, sensores eObjetivoMetodologia (2/3)MRDS (4) robô simulados no MRDS.SLAM (11)Scan Matching (13)Solução Proposta (7)Resultados (15) 7/66Conclusão (2)Trabalhos Futuros (3).
  8. 8. Metodologia ● Os algoritmos são avaliados com relação ao mapa e posição real (ground truth). ● São apurados os índices de desempenho propostos:Introdução (3) ● Erro Absoluto de Posição (EAA);ObjetivoMetodologia (3/3)MRDS (4) ● Erro Absoluto Angular (EAA).SLAM (11)Scan Matching (13)Solução Proposta (7) ● Teste Kolmogorov-Smirnov (KS).Resultados (15) 8/66Conclusão (2)Trabalhos Futuros (3).
  9. 9. 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” assíncronoIntrodução (3)Objetivo orientado a serviços.Metodologia (3)MRDS (1/4) ● Conjunto de ferramentas para autoria eSLAM (11)Scan Matching (13)Solução Proposta (7) simulação.Resultados (15) 9/66Conclusão (2)Trabalhos Futuros (3).
  10. 10. 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 aIntrodução (3) complexidade envolvida comObjetivoMetodologia (3)MRDS (2/4) tratamento de threads, locks eSLAM (11)Scan Matching (13) semáforos.Solução Proposta (7)Resultados (15) 10/66Conclusão (2)Trabalhos Futuros (3).
  11. 11. MICROSOFT ROBOTICS ® DEVELOPER STUDIO (MRDS) ● Distributed Software Services (DSS)Introdução (3)ObjetivoMetodologia (3) Bloco básico representando um serviço DSS e exemploMRDS (3/4)SLAM (11) de funcionamento em conjunto com CCR (Forwarder).Scan Matching (13)Solução Proposta (7) Fonte: (MICROSOFT, 2009).Resultados (15) 11/66Conclusão (2)Trabalhos Futuros (3).
  12. 12. MICROSOFT ROBOTICS ® DEVELOPER STUDIO (MRDS)Introdução (3)ObjetivoMetodologia (3)MRDS (4/4)SLAM (11)Scan Matching (13)Solução Proposta (7)Resultados (15) 12/66Conclusão (2)Trabalhos Futuros (3).
  13. 13. Localização e Mapeamento Simultâneo (SLAM)Introdução (3)ObjetivoMetodologia (3)MRDS (4)SLAM (1/11)Scan Matching (13)Solução Proposta (7) Fonte: http://www.cs.washington.edu/homes/letchner/classwork/cs327/MobileRoboticsMiniPresentation.pptResultados (15) 13/66Conclusão (2)Trabalhos Futuros (3).
  14. 14. Localização e Mapeamento Simultâneo (SLAM) ● Posição do Robô y x (a) (b)Introdução (3)ObjetivoMetodologia (3) (a) 2D (plano) – (x, y, θ)MRDS (4)SLAM (2/11)Scan Matching (13)Solução Proposta (7) (b) 3D (espaço) – (x, y, z, φ, θ, ψ)Resultados (15) 14/66Conclusão (2)Trabalhos Futuros (3).
  15. 15. Localização e Mapeamento Simultâneo (SLAM) ● Localização Dados: ● Mapa Global. ● Posição inicial. ● Leituras dos sensores. Obter: ● Posição do robô enquanto seIntrodução (3)Objetivo movimenta.Metodologia (3)MRDS (4)SLAM (3/11)Scan Matching (13)Solução Proposta (7)Resultados (15) 15/66Conclusão (2)Trabalhos Futuros (3).
  16. 16. Localização e Mapeamento Simultâneo (SLAM) ● Localização ● Dead-recknoning (navegação estimada) – odometria, sensores inerciais. ● Problema: integração do erro. ● GPS ● Problema: restrito a ambientes externos.Introdução (3)ObjetivoMetodologia (3) ● Marcos com localização conhecida.MRDS (4)SLAM (4/11) ● Problema: restrito a ambientesScan Matching (13)Solução Proposta (7) conhecidos.Resultados (15) 16/66Conclusão (2)Trabalhos Futuros (3).
  17. 17. 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 sensoresIntrodução (3) precisos e ambientes com característicasObjetivoMetodologia (3) físicas de fácil distinção.MRDS (4)SLAM (5/11)Scan Matching (13)Solução Proposta (7)Resultados (15) 17/66Conclusão (2)Trabalhos Futuros (3).
  18. 18. Localização e Mapeamento Simultâneo (SLAM) ● Mapeamento ● Mapas Métricos: (a) Grades de Ocupação e (b) Nuvem-de-Pontos .Introdução (3)ObjetivoMetodologia (3)MRDS (4)SLAM (6/11)Scan Matching (13)Solução Proposta (7)Resultados (15) (a) (b) 18/66Conclusão (2)Trabalhos Futuros (3).
  19. 19. Localização e Mapeamento Simultâneo (SLAM) ● Mapeamento ● Mapas Topológicos: Grafos (a) e Diagramas de Voronoi (b).Introdução (3)ObjetivoMetodologia (3)MRDS (4)SLAM (7/11) (a) (b)Scan Matching (13)Solução Proposta (7) Fonte: (SLAMET et al., 2006)Resultados (15) 19/66Conclusão (2)Trabalhos Futuros (3).
  20. 20. 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)ObjetivoMetodologia (3)MRDS (4)SLAM (8/11)Scan Matching (13)Solução Proposta (7)Resultados (15) 20/66Conclusão (2)Trabalhos Futuros (3).
  21. 21. 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.Introdução (3) ● Dimensionalidade dos dados.ObjetivoMetodologia (3)MRDS (4) ● Correta associação entre dados doSLAM (9/11)Scan Matching (13)Solução Proposta (7) ambiente, tratamento de obstáculos eResultados (15)Conclusão (2) ambientes dinâmicos. 21/66Trabalhos Futuros (3).
  22. 22. 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 aIntrodução (3) solução gerada.ObjetivoMetodologia (3) ● Utiliza modelo estatístico de sensores eMRDS (4)SLAM (10/11) movimentação do robô.Scan Matching (13)Solução Proposta (7)Resultados (15) 22/66Conclusão (2)Trabalhos Futuros (3).
  23. 23. 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).Introdução (3)Objetivo ● Boa parte destes métodos empregamMetodologia (3)MRDS (4) variações do algoritmo ICP (Iterative ClosestSLAM (11/11)Scan Matching (13) Point)  desenvolvido por Besl e McKay (1992).Solução Proposta (7)Resultados (15) 23/66Conclusão (2)Trabalhos Futuros (3).
  24. 24. Scan Matching ● 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.Introdução (3)ObjetivoMetodologia (3)MRDS (4) ● Obter a translação e rotaçãoSLAM (11)Scan Matching (1/13) necessária para a sobreposiçãoSolução Proposta (7)Resultados (15)Conclusão (2) máxima entre os conjuntos. 24/66Trabalhos Futuros (3).
  25. 25. Scan Matching ● 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-recknoningIntrodução (3)ObjetivoMetodologia (3) é utilizada como aproximação inicial para esta busca (LU;MRDS (4)SLAM (11)Scan Matching (2/13)Solução Proposta (7)Resultados (15) MILIOS,1994). 25/66Conclusão (2)Trabalhos Futuros (3).
  26. 26. Scan Matching Pode-se classificar estes algoritmos como: ● Correspondências baseadas apenas em características (feature to feature). ● Correspondências baseadas emIntrodução (3) pontos e características (point toObjetivoMetodologia (3)MRDS (4) feature).SLAM (11)Scan Matching (3/13)Solução Proposta (7) ● Correspondências baseadasResultados (15)Conclusão (2)Trabalhos Futuros (3). apenas em pontos (point to point). 26/66
  27. 27. Scan Matching 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.Introdução (3)ObjetivoMetodologia (3)MRDS (4)SLAM (11)Scan Matching (4/13)Solução Proposta (7)Resultados (15) 27/66Conclusão (2)Trabalhos Futuros (3).
  28. 28. Scan Matching (a) (b) (a) Direção de transmissão e ângulo máximo de escaneamentoIntrodução (3) do Sick LMS200. Fonte: https://www.mysick.comObjetivo (b) Configuração e leitura do sensor Sick no P3DX. Fonte:Metodologia (3)MRDS (4) http://www.mbeckler.org/coursework/2007-2008/robotics_slam.pdfSLAM (11)Scan Matching (5/13)Solução Proposta (7)Resultados (15) 28/66Conclusão (2)Trabalhos Futuros (3).
  29. 29. Scan Matching (3.1) =180º =0,5º (3.2) i=0,... , N.Introdução (3) N =360ObjetivoMetodologia (3) (a) (b)MRDS (4)SLAM (11)Scan Matching (6/13) (a) Coordenadas polares e cartesianas para o ponto pi k eSolução Proposta (7) respectivas equações (b).Resultados (15) 29/66Conclusão (2)Trabalhos Futuros (3).
  30. 30. Scan Matching Os pontos de uma leitura devem ser associadas com os de outra. (a) Antes do alinhamento e (b) Depois do alinhamento. correspondência correspondênciaIntrodução (3)ObjetivoMetodologia (3)MRDS (4) pos corr poscorr k kSLAM (11)Scan Matching (7/13) pos odo pos corr k 1Solução Proposta (7) k 1Resultados (15) 30/66Conclusão (2)Trabalhos Futuros (3). (a) (b)
  31. 31. Scan Matching ● Leituras consecutivas (k e k+1) apresentam um deslocamento relativo e um incremento rotacional entre os planos XYK e XYk+1 dado por Tk.Introdução (3)ObjetivoMetodologia (3)MRDS (4)SLAM (11)Scan Matching (8/13)Solução Proposta (7)Resultados (15) 31/66Conclusão (2)Trabalhos Futuros (3).
  32. 32. Scan Matching Para que seja estabelecida uma correta correspondência entre as leituras as novas devem ser projetadas em XYK utilizando Tk.Introdução (3)ObjetivoMetodologia (3)MRDS (4)SLAM (11)Scan Matching (9/13)Solução Proposta (7)Resultados (15) 32/66Conclusão (2)Trabalhos Futuros (3).
  33. 33. Scan Matching ● Correspondência ● Descarte de outliers e contagem de correspondências válidasIntrodução (3)ObjetivoMetodologia (3)MRDS (4)SLAM (11)Scan Matching (10/13)Solução Proposta (7)Resultados (15) 33/66Conclusão (2)Trabalhos Futuros (3).
  34. 34. Scan Matching ● Grau de sobreposição da transformação ● Índice de qualidade da transformaçãoIntrodução (3)ObjetivoMetodologia (3)MRDS (4)SLAM (11)Scan Matching (11/13)Solução Proposta (7)Resultados (15) 34/66Conclusão (2)Trabalhos Futuros (3).
  35. 35. Scan Matching ● O Algoritmo ICP (Iterative Closest Point)Introdução (3)ObjetivoMetodologia (3)MRDS (4)SLAM (11)Scan Matching (12/13)Solução Proposta (7)Resultados (15) 35/66Conclusão (2)Trabalhos Futuros (3).
  36. 36. Scan Matching ● O Algoritmo ICP – Tranformação rigida (MARTÍNEZ et al., 2006).Introdução (3)ObjetivoMetodologia (3)MRDS (4)SLAM (11)Scan Matching (13/13)Solução Proposta (7)Resultados (15) 36/66Conclusão (2)Trabalhos Futuros (3).
  37. 37. Solução Proposta ● (a) Aproximação inicial (tempo discreto k=0). ● (b) Aproximação inicial (tempo discreto k>0) correspondência correspondênciaIntrodução (3)ObjetivoMetodologia (3)MRDS (4) poscorr k poscorr kSLAM (11) cand. 0 cand. 0 odo Tk odo TkScan Matching (13) pos k 1 pos k 1 T ótimo. k −1Solução Proposta (1/7)Resultados (15)Conclusão (2) (a) (b) 37/66Trabalhos Futuros (3).
  38. 38. 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 correspondência cand. 4 TkIntrodução (3) cand. 4 aprox. 1 TkObjetivo TMetodologia (3) poscorr k poscorr k k aprox. 2MRDS (4) ótimo TkSLAM (11) T cand.1 Tk cand. 2 T k k aprox. 3Scan Matching (13) T cand. 3 Tk kSolução Proposta (2/7)Resultados (15) 38/66Conclusão (2) (c) (d)Trabalhos Futuros (3).
  39. 39. 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 transformaçãoIntrodução (3)Objetivo for menor que limiar, a aproximação seráMetodologia (3)MRDS (4) considerada boa e esta será usada paraSLAM (11)Scan Matching (13) inserir as informações do mapa local noSolução Proposta (3/7)Resultados (15) mapa global. 39/66Conclusão (2)Trabalhos Futuros (3).
  40. 40. Solução Proposta Passos: 5. Caso não (valor maior que limiar), então são efetuados os seguintes testes adicionais.Introdução (3)ObjetivoMetodologia (3)MRDS (4)SLAM (11)Scan Matching (13)Solução Proposta (4/7)Resultados (15) 40/66Conclusão (2)Trabalhos Futuros (3).
  41. 41. Solução Proposta ● Passos: 5. (Continuação)Introdução (3)ObjetivoMetodologia (3)MRDS (4)SLAM (11)Scan Matching (13)Solução Proposta (5/7)Resultados (15) 41/66Conclusão (2)Trabalhos Futuros (3).
  42. 42. Solução Proposta Passos: 6. A transformação que apresentar o menor índice será empregada.Introdução (3)ObjetivoMetodologia (3)MRDS (4)SLAM (11)Scan Matching (13)Solução Proposta (6/7)Resultados (15) 42/66Conclusão (2)Trabalhos Futuros (3).
  43. 43. Solução Proposta ●Introdução (3)ObjetivoMetodologia (3)MRDS (4)SLAM (11)Scan Matching (13)Solução Proposta (7/7)Resultados (15) 43/66Conclusão (2)Trabalhos Futuros (3).
  44. 44. Resultados ● Ambiente B – Mapa 3D e Trajetória.Introdução (3)ObjetivoMetodologia (3)MRDS (4)SLAM (11)Scan Matching (13)Solução Proposta (77) Ambiente com MAIOR “rugosidade”.Resultados (1/15) 44/66Conclusão (2)Trabalhos Futuros (3).
  45. 45. Resultados ● Ambiente B - TrajetóriasIntrodução (3)ObjetivoMetodologia (3)MRDS (4)SLAM (11)Scan Matching (13)Solução Proposta (7)Resultados (2/15) 45/66Conclusão (2)Trabalhos Futuros (3).
  46. 46. Ambiente B: EAP, EAA Resultados ● Ambiente BIntrodução (3)ObjetivoMetodologia (3)MRDS (4)SLAM (11)Scan Matching (13)Solução Proposta (7)Resultados (3/15) 46/66Conclusão (2)Trabalhos Futuros (3).
  47. 47. Ambiente B: Mapas Finais Resultados ● Ambiente BIntrodução (3)ObjetivoMetodologia (3)MRDS (4)SLAM (11)Scan Matching (13)Solução Proposta (7)Resultados (4/15) 47/66Conclusão (2)Trabalhos Futuros (3).
  48. 48. Resultados ● Ambiente B - Diferença relativa de 89, 1% para ed final(m) e 74, 64% para eθ final(º).Introdução (3)ObjetivoMetodologia (3)MRDS (4)SLAM (11)Scan Matching (13)Solução Proposta (7)Resultados (5/15) 48/66Conclusão (2)Trabalhos Futuros (3).
  49. 49. Resultados ● Ambiente B -Teste KSIntrodução (3)ObjetivoMetodologia (3)MRDS (4)SLAM (11)Scan Matching (13)Solução Proposta (7)Resultados (6/15) 49/66Conclusão (2)Trabalhos Futuros (3).
  50. 50. Resultados ● Ambiente E – Mapa 3D e Trajetória.Introdução (3)ObjetivoMetodologia (3)MRDS (4)SLAM (11)Scan Matching (13)Solução Proposta (7) Ambiente com MENOR “rugosidade”.Resultados (7/15) 50/66Conclusão (2)Trabalhos Futuros (3).
  51. 51. Resultados ● Ambiente E - TrajetóriasIntrodução (3)ObjetivoMetodologia (3)MRDS (4)SLAM (11)Scan Matching (13)Solução Proposta (7)Resultados (8/15) 51/66Conclusão (2)Trabalhos Futuros (3).
  52. 52. Ambiente E: EAP, EAA Resultados ● Ambiente BIntrodução (3)ObjetivoMetodologia (3)MRDS (4)SLAM (11)Scan Matching (13)Solução Proposta (7)Resultados (9/15) 52/66Conclusão (2)Trabalhos Futuros (3).
  53. 53. Ambiente E: Mapas Finais Resultados ● Ambiente BIntrodução (3)ObjetivoMetodologia (3)MRDS (4)SLAM (11)Scan Matching (13)Solução Proposta (7)Resultados (10/15) 53/66Conclusão (2)Trabalhos Futuros (3).
  54. 54. Resultados ● Ambiente E - Diferença relativa maior que 90% para os valores finais dos erros em favor do ICP.Introdução (3)ObjetivoMetodologia (3)MRDS (4)SLAM (11)Scan Matching (13)Solução Proposta (7)Resultados (11/15) 54/66Conclusão (2)Trabalhos Futuros (3).
  55. 55. 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)ObjetivoMetodologia (3)MRDS (4)SLAM (11)Scan Matching (13)Solução Proposta (7)Resultados (12/15) 55/66Conclusão (2)Trabalhos Futuros (3).
  56. 56. Resultados Demais Ambientes ● Ambiente A - Diferença relativa de 95,59% para ed final(m) e 95,24% para eθ final(º) para solução.Introdução (3)ObjetivoMetodologia (3)MRDS (4)SLAM (11)Scan Matching (13)Solução Proposta (7)Resultados (13/15) 56/66Conclusão (2)Trabalhos Futuros (3).
  57. 57. Resultados Demais Ambientes ● Ambiente C - Diferença relativa de 80,16% para ed final(m) e 24,45% para eθ final(º) para a solução.Introdução (3)ObjetivoMetodologia (3)MRDS (4)SLAM (11)Scan Matching (13)Solução Proposta (7)Resultados (14/15) 57/66Conclusão (2)Trabalhos Futuros (3).
  58. 58. Resultados Demais Ambientes ● Ambiente D - Diferenças relativas maiores que 90% em favor do ICP.Introdução (3)ObjetivoMetodologia (3)MRDS (4)SLAM (11)Scan Matching (13)Solução Proposta (7)Resultados (15/15) 58/66Conclusão (2)Trabalhos Futuros (3).
  59. 59. 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 osIntrodução (3) valores finais dos erros de deslocamento eObjetivoMetodologia (3) maior que 20% para os valores finais dosMRDS (4)SLAM (11) erros angulares (ambientes A, B e C).Scan Matching (13)Solução Proposta (7)Resultados (15) 59/66Conclusão (1/2)Trabalhos Futuros (3).
  60. 60. 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)ObjetivoMetodologia (3)MRDS (4)SLAM (11)Scan Matching (13)Solução Proposta (7)Resultados (15) 60/66Conclusão (2/2)Trabalhos Futuros (3).
  61. 61. 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 comoIntrodução (3)Objetivo em Monteiro e Ribeiro (2004), tambémMetodologia (3)MRDS (4) poderiam diminuir os efeitos causados pelaSLAM (11)Scan Matching (13) ambiguidade.Solução Proposta (7)Resultados (15) 61/66Conclusão (2)Trabalhos Futuros (1/3)
  62. 62. 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 permitaIntrodução (3) diminuir o número de comparações emObjetivoMetodologia (3) cada iteração, ou ao menos mantê-loMRDS (4)SLAM (11) constante.Scan Matching (13)Solução Proposta (7)Resultados (15) 62/66Conclusão (2)Trabalhos Futuros (2/3)
  63. 63. 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 empregadoIntrodução (3)Objetivo juntamente com mapas topológicos, paraMetodologia (3)MRDS (4) construção de algoritmos de navegação, ouSLAM (11)Scan Matching (13) algum outro método como, por exemplo,Solução Proposta (7)Resultados (15) VFH (BORENSTEIN; KOREN, 1991). 63/66Conclusão (2)Trabalhos Futuros (3/3)
  64. 64. Aplicações● Robotic mapping/floor plan technology http://www.youtube.com/watch?v=jxMVshpYYyk&NR=1 64/66
  65. 65. 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● OpenSlam http://www.openslam.org/● The Mobile Robot Programming Toolkit (MRPT) http://babel.isa.uma.es/mrpt/index.php/Main_Page● The Rawseeds Project http://www.rawseeds.org● Professional Microsoft Robotics Developer Studio Companion Web Site. http://www.promrds.com 65/66
  66. 66. CENTRO TÉCNICO AEROESPACIALINSTITUTO TECNOLÓGICO DE AERONÁUTICA DIVISÃO DE ENGENHARIA ELETRÔNICADEPARTAMENTO DE SISTEMAS DE CONTROLE LOCALIZAÇÃO E MAPEAMENTO EM TEMPO REAL UTILIZANDO ROBÔ SIMULADO NO MICROSOFT® ROBOTICS DEVELOPER STUDIO Wilian França Costa Orientador: Prof. Dr. Jackson Paul Matsuura Co-orientador: Prof. Dr. Alexandre da Silva Simões São José dos Campos, 23 de dezembro de 2009 66/66

×