Técnicas de slam con filtros probabilísticos: caracterización y resultados en robots móviles
Resumen
El desafío de la localización y mapeo SLAM (Simultaneous Localization And Mapping) en robots móviles consiste en descubrir si es posible navegar a través de un entorno desconocido y construir de manera incremental un mapa consistente del mismo, mientras que determina al mismo tiempo su posición dentro del mapa. La solución teórico-conceptual ha sido desarrollado por el SLAM especialmente con filtros de localización, tales como: el filtro de Kalman, el filtro de información, el filtro gráfico y el filtro de partículas entre otros. El estudio realizado al variar marcas establecidas en las trayectorias y analizar estos filtros desde el punto de vista probabilístico que se encuentran incorporados en dos prototipos de robots móviles que poseen sensores de ultrasonido y láser, muestra resultados de errores en odometría y tiempos necesarios que cada filtro SLAM tiene en promedio por iteración para la construcción del mapa bidimensional.
Palabras clave: Filtro de Kalman, localización, robot móvil, sensor, SLAM.
Descargas
Citas
[2] L. Armesto, “Técnicas de control y fusión sensorial multifrecuenciales y su aplicación a la robótica móvil”. Tesis doctoral, Universidad Politécnica de Valencia, España, 2005.
[3] S. Kim, y B.K. Kim, “Dynamic Ultrasonic Hybrid Localization System for Indoor Mobile Robots”. IEEE Transactions on Industrial Electronics, vol. 60, pp 4562-4573, 2013.
[4] G. N. DeSouza y A. C. Kak. “Vision for Mobile Robot Navigation: A Survey”. IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 24, no. 2, 2002.
[5] J. M. Armingol-Moreno, Localización Geométrica de Robots Móviles Autónomos. Tesis Doctoral Universidad Carlos III de Madrid, España, 1997.
[6] H. Durrant-Whyte, y T.Bailey. “Simultaneous localization and mapping”.: Robotics Automation Magazine, vol. 13 no.2, pp. 1-9, 2006.
[7] S. Thrun, W. Burgard, D. Fox, “Probabilistics Robotics”. Massachusetts: The MIT Press, 2005
[8] H. R. Everettt, “Sensors for Mobile Robots, theory and application”. Massachusetts: A.K. Peters Ltd., 1995.
[9] P. Corke, “Robotics, Vision and Contro”. Unite Stated: Springer Publishing, 1 Ed, 2011.
[10] D. Pérez, Sensores de distancia por ultrasonido, 2017. [En linea]. Disponible en: http://www.alcabot.com/alcabot/seminario2006/Trabajos/DiegoPerezDeDiego.pdf [Accedido: 13-marzo-2019].
[11] F. E. Pineda F. “Localización Probabilística en Drones, para aprendizajes cooperativos”. Informe de Avance. SUI. Universidad Autónoma de Colombia. Bogotá, Colombia, 2017.
[12] C. Fernández. “Técnicas de Navegación de Robots basadas en medición por láser”. Tesis de Pregrado. Universidad de Salamanca, España, 2007.
[13] J. Berrío J. “Mapeo y Localización Simultánea de un Robot Móvil en Ambientes Estructurados Basado En Integración Sensorial”. Tesis de Maestría. Universidad del Valle, Cali, Colombia, 2012.
[14] S. Thrun, “Robotic mapping: A survey. In Exploring Artificial Intelligence in the New Millenium”. Massachusetts: Morgan Kaufmann Publishers2003.,
[15] C. Stachniss. (2017). “Robot Mapping - WS 2013/14”. Germany: UniFreiburg AIS, 2017.
[16] F. Andrade, y M. Llofriu. “Estudio del estado del arte del SLAM e implementación de una plataforma flexible”. Tesis de pregrado. Universidad de la República. Montevideo Uruguay, 2017.
[17] Corke Peter (2017). “Robotics Toolbox for MATLAB”. European: Press Realease 10.
[18] F. E. Pineda F. “Localización Probabilística en Drones, para aprendizajes cooperativos”. Segundo Informe de Avance. SUI. Universidad Autónoma de Colombia. Bogotá, Colombia, 2017.
