Contribuições ao problema de localização para veículos terrestres não tripulados.

• Autor(a) principal: Carvalho, João Luiz Carneiro
• Data de Publicação: 2023
• Tipo de documento: Tese
• Idioma: por
• Título da fonte: Repositório Institucional da UFBA
• Texto Completo: https://repositorio.ufba.br/handle/ri/39357
• topic: Engenharias IV; Localização Global; Robótica Móvel; Inteligência Artificial; Rastreamento de pose; Global Localization; Mobile Robot; Artificial Intelligence; Pose Tracking

A localização de robôs móveis é uma tarefa complexa, principalmente em ambientes indoor não estruturados, devido à ruídos de medição e associações incorretas entre a percepção e o mapa do ambiente. Portanto, a quantificação da incerteza sobre a pose constitui uma parte fundamental dos métodos de localização. O procedimento de localização torna-se crítico quando o robô possui baixa confiança sobre sua última estimativa de pose, situação que requer um procedimento de localização global. Uma abordagem intuitiva para resolver o Problema da Localização Global (PLG) é distribuir várias hipóteses de pose ao longo do mapa e selecionar a mais provável de acordo com alguma heurística de otimização, como o método de Monte Carlo, Inteligência de Enxame ou Algoritmo Evolutivo, por exemplo. No entanto, as limitações de hardware e as características do ambiente podem afetar a eficácia da localização. Além disso, a literatura recente dispõe de poucos estudos explorando a eficácia e o custo computacional de diferentes métodos de localização sob cenários diversos, como escritórios, corredores e grandes armazéns, apenas para citar alguns exemplos. Neste contexto, este trabalho propõe duas contribuições ao algoritmo de localização Perfect Match (PM): aprimoramento da estimação da incerteza sobre a pose e incorporação do PLG. O PM é um algoritmo de rastreamento de pose que utiliza a abordagem de scan-to-map matching e se destaca pelo seu custo-benefício, pois apresenta alta precisão e baixo custo computacional. Entretanto, devido a natureza do algoritmo, a localização global não tem o mesmo desempenho que o rastreamento de pose. Além disso, a estimação da incerteza sobre a pose poderia ser aprimorada, visto que baseia-se apenas em características do mapa. A magnitude do erro de matching, informação relevante para indicar a qualidade da pose estimada, não é levada em consideração pelas implementações do PM disponíveis na literatura. Portanto, os resultados apresentados neste trabalho mostram que, nos cenários selecionados, a quantificação da incerteza sobre a pose pelo método proposto neste trabalho sugere ser mais adequada do que o PM com seu método original. Em relação ao PLG, diferentes heurísticas de otimização baseadas em Algoritmos Evolucionários e Inteligência de Enxame foram utilizadas de forma colaborativa com o PM, sendo elas: Particle Swarm Optimization (PSO), Differential Evolution (DE) e Genetic Algoritm (GA). Usando simulações e experimentos reais, foram obtidos a taxa de sucesso e custo de computação usando diferentes tamanhos da população de partículas. Resultados mostram que os métodos propostos apresentam desempenhos diferentes para cenários distintos, mas aqueles baseados em GA e PSO apresentaram uma taxa média de sucesso acima de 83%, enquanto outros métodos não atingiram 80%.