Comparative study of localization methods for mobile robots based on map

Resumo: Esta dissertação trata de uma pesquisa sobre localização robótica baseada em mapas, analisando aspectos importantes do tema e discutindo alternativas para alguns dos problemas corriqueiramente encontrados. Todos os métodos trabalhados nesta dissertação utilizam uma abordagem probabilística, visto que isto permite ao sistema incorporar a incerteza existente em diversas partes do processo, tornando-o mais robusto e confiável. As técnicas trabalhadas são o Filtro de Bayes, Localização por Markov, Filtro de Kalman dinâmico, Filtro de Kalman estendido e Filtro de Partículas (Monte Carlo), realizando os experimentos em ambiente real, e as aplicando em mapas do tipo métrico e em grade. São abordados também alguns pontos cruciais para o funcionamento das técnicas, como o modelamento dos erros dos sensores e como a extração de características do ambiente foi implementada. Por fim, é feita uma comparação entre estas técnicas, explorando pontos chaves com o propósito de contribuir para a literatura do tema. Esta comparação discute aspectos quantitativos, como erro de estimação originado de cada método e o tempo de execução de seus algoritmos; e aspectos qualitativos, como a dificuldade de implementação e deficiências de cada uma delas. Para a realização deste estudo, utilizou-se de uma plataforma robótica.Abstract: This dissertation deals with a research about robotics localization based on maps, analyzing important aspects of the subject and discussing alternatives to some of the problems routinely found. All methods employed in this paper use a probabilistic approach, since it allows the system to incorporate the uncertainty that exist in different parts of the process, making it more robust and reliable. The implemented techniques are the Bayesian filter, Localization by Markov, dynamic Kalman Filter, extended Kalman filter and Particle Filter (Monte Carlo), performing experiments in a real environment, using metric and grid maps. It also addressed some crucial points for the well functioning of the techniques such as the error modeling of sensors and the explanation on how the feature extraction from the environment was fulfilled. Finally, a comparison between these techniques is made, exploring key issues in order to contribute to the theme. This comparison discusses quantitative aspects such as the estimated error originated from each method and the runtime of their algorithm, and also qualitative aspects, such as the difficulty of implementation and deficiencies of each. For this study, a robotic platform was used