Aplicação de técnicas de fusão sensorial para mapeamento e localização simultâneos para robôs terrestres

Dissertação (mestrado) - Universidade Federal de Santa Catarina, Centro Tecnológico. Programa de Pós-Graduação em Engenharia Elétrica.Um dos problemas que envolvem as soluções para a mobilidade de robôs móveis terrestres é estimar a posição do robô com precisão juntamente com a exploração do ambiente, mapeando-o corretamente (SLAM - Simultaneous Localization and Mapping - Localização e Mapeamento Simultâneo). Embora vários algoritmos tenham sido desenvolvidos nos últimos anos, exigindo uma carga de cálculo computacional cada vez maior dos robôs,, estes estão susceptíveis a um mau desempenho quando os sensores apresentam ruídos, quando há problemas nos atuadores, variáveis não modeladas ou em virtude de algum imprevisto momentâneo no ambiente. A proposta deste trabalho é programar um SLAM para robôs móveis interligando-o a uma combinação de sensores inerciais com sensores de odometria através de uma técnica de fusão de sensores conhecida como filtro de Kalman Estendido, para reduzir a incerteza na estimação da posição e melhorar o desempenho do SLAM. Por consequência, o custo computacional é reduzido. O trabalho foi estruturado iniciando por uma revisão a respeito dos conceitos básicos de sensoriamento, a fim de contextualizar o problema e apresentar as nomenclaturas e termos utilizados. A seguir foram abordadas as técnicas de fusão de dados, as representações do robô e do ambiente, as técnicas de mapeamento e exploração e as diversas técnicas de navegação que podem ser utilizadas, para ambientes conhecidos epara ambientes desconhecidos. Essas informações são importantes para um melhor entendimento do problema, de como representá-lo e de como se pode avaliar os resultados obtidos. Na sequência é apresentado o SLAM, destacando as principais técnicas e em detalhes o Grid Based FastSLAM. É demonstrado através de simulações que quanto maior as incertezas sobre a posição do robô, um número maior de partículas é necessário para manter a qualidade do mapa gerado, e como cada partícula possui um mapa associado a si, o custo computacional é consideravelmente aumentado. Outro aspecto analisado foi o impacto na escolha da covariância associada à transição de estados, propondo a utilização da covariância inerente ao cálculo da fusão de sensores como parâmetro de refinamento no SLAM.<br>Abstract : One of the problems in solutions involving land mobile robots is the estimation of the robot position with precision and at the same time, explore the environment and mapping it correctly (SLAM - Simultaneous Localization and Mapping ). Several algorithms were developed in the last years, demanding large computational resources in robots and even so, these may have a bad performance in cases of sensors having noises, problems in actuators, not modeled variables or when there is something in the environment that wasn't expected. This dissertation proposal is to program a SLAM algorithm for mobile robots and connect it with a sensor data fusion, between odometry and inertial sensors, using the Extended Kalman Filter, achieving a reduction of the position uncertainty and improving the SLAM performance, also reducing the need of computational resources. This work begins with a revision of concepts of robot sensors, needed to understand later algorithms and nomenclatures. In the following items it is described the sensor fusion techniques, the robot localization problem, the map and robot representation alternatives, and the navigation problems for explored and non-explored environments. These information are important for a better understanding of the problem, on how represent it and how to evaluate the obtained results. After this introduction, it's described some SLAM algorithms, featuring in details the Grid Based FastSLAM. It's demonstrated by simulations that as high uncertainty about robot position, as large are the number of particles needed to maintain the generated map quality. This implies in a large computational cost, thus improving the uncertainty with sensor data fusion makes the robot work with less particles. It is also showed that choosing the right covariance in robot transition model is very important and finding a way to connect the covariance of sensor data fusion with SLAM can improve performance even more