Extração automática de mapas de atributos baseada em técnica bayesiana para localização de robôs móveis

Abstract

A solução do problema de determinação da postura (ou localização) é de fundamental importância para a incorporação de autonomia em robôs móveis. Entretanto, devido à natureza inexata do movimento, uma localização precisa não é possível usando unicamente odometria. Faz-se necessário extrair das leituras sensoriais do robô informações que permitam corrigir os desvios intrínsecos a cada ação executada. Neste contexto, os algoritmos de Monte Carlo estimam e atualizam a postura (com base em modelos a priori de sensores e atuadores) através de um conjunto de partículas que simbolizam possíveis posturas do robô no ambiente, associadas a uma crença que indica quão bem estas se aproximam de sua localização real. Complexa, no entanto, é a tarefa de obtenção do modelo sensorial, principalmente quando realizada por meio de técnicas não-automáticas. A idéia central aqui utilizada consiste no treinamento de redes neurais artificiais para extração automática de um mapa de atributos que simplifica o modelo sensorial, usando um método bayesiano (BaLL - Bayesian Landmark Learning) a partir de leituras sensoriais. Este trabalho descreve a implementação utilizando-se como base a plataforma ARIA para simulação de um robô móvel Magellan Pro cujos sensores externos são sonares. Os resultados mostram o funcionamento da técnica e a sua aplicabilidade para a obtenção automática de mapas de atributos.<br>Solving the problem of pose determination is a fundamental issue for incorporating the autonomy concept in mobile robots. However, due to the inaccurate nature of movement, localization is not possible if based solely on odometry. Information from other sensor readings must be extracted in such a way that intrinsic errors from action execution can be compensated for. In this context, Monte Carlo Localization estimates and updates pose (based on previously designed sensor and actuator models) by using a set of particles that define possible states the robot can occupy in its working environment, associated to a belief that indicates how close these particles are from the real robot localization. However, sensor model design is a complex task, and hard to be done by non-automatic techniques. The key idea in this paper is to train artificial neural networks for automatically extracting feature maps that simplifies the sensorial model, using a Bayesian method (BaLL - Bayesian Landmark Learning) from sensor data. This work describes an implementation, using as a base the Aria platform to simulate a mobile robot whose external sensors are sonars. Results show the suitability of the method and its applicability for automatic feature map extraction from sonar readings

Applications of Stochastic Approaches in Mobile Robotics: An Overview of Recent Brazilian Works

“…Monte Carlo Filter [37][38][39][40][41][42] Monte Carlo Filter (parallel implementation) [43] Markov Localization [44] SLAM MAP estimate [52][53][54] Extended Kalman Filter [45][46][47][48][49][50][51] Fusion of output control signals Decentralized Information Filter [33], [55] Modeling Extended Kalman Filter [56], [57] expressive nonlinearities. However, the Kalman Filter is still the most widely used for tasks in which such conditions do not occur, given its lower computational cost.…”