Localização e planejamento de movimento de robôs móveis em ambientes internos utilizando processos de decisão de Markov

• Autor(a) principal: Neemias Silva Monteiro
• Data de Publicação: 2020
• Tipo de documento: Dissertação
• Idioma: por
• Título da fonte: Repositório Institucional da UFMG
• Texto Completo: http://hdl.handle.net/1843/34512
• topic: Incertezas; Localização; Modelo oculto de Markov; Planejamento de movimento; Processo de decisão de Markov parcialmente observável; Robótica probabilística; Engenharia elétrica; Incerteza; Robótica

Os planejadores de movimento determinísticos apresentam bons resultados em ambientes simulados, nos quais os sensores e atuadores são perfeitos. No entanto, estas suposições são restritivas e consequentemente o planejamento de movimento terá desempenho comprometido se aplicado em sistemas robóticos reais (ou em um simulador mais realístico), pois os mesmos são inerentemente carregados de incertezas. Na maioria dos sistemas robóticos reais, os estados não podem ser diretamente observados, e as medições recebidas pelo robô são projeções ruidosas do verdadeiro estado. As ações executadas por um robô também têm incertezas, dado que os atuadores do robô cometem erros ao seguir os comandos de controle desejados. Deste modo, o robô deve fazer uso de uma nova classe de planejadores que levam em conta as incertezas do sistema quando tiver que tomar uma decisão. No presente trabalho, o Processo de Decisão de Markov Parcialmente Observável (PDMPO, ou POMDP em inglês), é apresentado como alternativa para solucionar problemas imersos em incertezas, selecionando ações ótimas com objetivo de realizar uma dada tarefa. O PDMPO é um método probabilístico que considera: que os estados do robô não podem ser medidos diretamente, mas são inferidos por meio de observações indiretas; que as decisões tomadas têm resultados incertos; e que o resultado de uma ação em um estado depende apenas da ação e do estado atual do processo (propriedade Markoviana). No PDMPO cada ação tem como resultado uma observação, probabilisticamente relacionada aos estados do sistema. Em vez de um estado atual do sistema, no PDMPO há uma distribuição de probabilidade sobre os estados, denominada crença. Para estimativa da crença, este trabalho utiliza a estrutura probabilística do Modelo Oculto de Markov (MOM, ou HMM em inglês). O ferramental acima foi aplicado em um sistema simulado de localização e controle das ações de um robô que se locomove por um galpão usado para estocagem de produtos, e também para navegação de um robô real em um espaço de convivência. As simulações e experimentos mostram a robustez e eficiência dos métodos utilizados.