Método de suma de gausianas para el problema de scan-matching

Un robot tiene que saber dónde está en un entorno para poder moverse autónomamente e inteligentemente. La auto-localización requiere de la existencia de un mapa, y es lo que ha llevado al desarrollo de algoritmos de SLAM(Simultaneous Localization and Mapping) a lo largo de los últimos 20 años, dónde el robot va construyendo partes del mapa mientras va explorando el entorno. La forma más predominante de SLAM es la estocástica. Este método tiene explícitamente en cuenta el error que se comete en las medidas; estos errores de medida inducen incertidumbre en las estimaciones del entorno, que consiguientemente conllevan a incertidumbres en la posición del robot. Por lo cual se puede decir que el mapa del entorno y la pose están directamente relacionados. Las implementaciones de SLAM estocástico representan estas incertidumbres y correlaciones mediante la distribución gausiana (PDF), y propagan las incertidumbres usando el filtro de Kalman extendido(Extended Kalman Filter) (EKF). Esto es conocido como EKF-SLAM. Un problema del EKF-SLAM es que requiere modelos geométricos del entorno, lo que limita las aproximaciones deseadas para tales entornos. Una alternativa a estos modelos son los procedimientos llamados scan-correlation. Con estos métodos se calcula el máximo alineamiento que hay entre 2 series de datos. Entonces, dadas una serie de observaciones y un mapa de referencia construido también de datos sin tratar, el robot se puede localizar a sí mismo sin la necesidad de convertir los datos a ningún tipo de forma geométrica. Las observaciones son simplemente alineadas con el mapa de datos hasta maximizar la correlación de la medida. Scan-correlation ha sido usado como algoritmo de localización para mapas a priori, siendo el algoritmo ICP o la correlación de matriz de ocupación los métodos más utilizados. Este trabajo consistirá en el estudio y análisis del método de la suma de guasianas y ver cuales son sus prestaciones. En situaciones donde el robot se mueve en un entorno con el objetivo de localizarse a si mismo y recopilar información de sus alrededores, por ejemplo para mapeo o seguimiento de objetivos, el tema de SLAM se hace necesario. Para problemas de localización en robots móviles, scan-matching es un mecanismo muy útil para facilitar localización basada en "dead reckoning” de sensores desde un mapa a priori, y para generación de mapas offline. A día de hoy implementar SLAM estocástico en tiempo real resultaría intratable dado el elevado coste computacional, pero recientemente han salido ciertas investigaciones basadas en EM-SLAM y SLAM híbrido topológico métrico que van en esas direcciones.Ingeniería Industria