Estimador de estados para robô diferencial
Autor(a) principal: | |
---|---|
Data de Publicação: | 2017 |
Tipo de documento: | Dissertação |
Idioma: | por |
Título da fonte: | Biblioteca Digital de Teses e Dissertações da UFRGS |
Texto Completo: | http://hdl.handle.net/10183/163910 |
Resumo: | Nesta dissertação é apresentada a comparação do desempenho de três estimadores - o Filtro de Kalman Estendido, o Filtro de Kalman Unscented e o Filtro de Partículas - aplicados para estimar a postura de um robô diferencial. Uma câmera foi fixa no teto para cobrir todo o campo operacional do robô durante os experimentos, a fim de extrair o mapa e gerar o ground truth. Isso permitiu realizar uma análise do erro de forma precisa a cada instante de tempo. O desempenho de cada um dos estimadores foi avaliado sistematicamente e numericamente para duas trajetórias. Os resultados desse primeiro experimento demonstram que os filtros proporcionam grandes melhorias em relação à odometria e que o modelo dos sensores é crítico para obter esse desempenho. O Filtro de Partículas mostrou um desempenho melhor em relação aos demais nos dois percursos. No entanto, seu elevado custo computacional dificulta sua implementação em uma aplicação de tempo real. O Filtro de Kalman Unscented, por sua vez, mostrou um desempenho semelhante ao Filtro de Kalman Estendido durante a primeira trajetória. Porém, na segunda trajetória, a qual possui uma quantidade maior de curvas, o Filtro de Kalman Unscented mostrou uma melhora significativa em relação ao Filtro de Kalman Estendido. Foi realizado um segundo experimento, em que o robô planeja e executa duas trajetórias. Os resultados obtidos mostraram que o robô consegue chegar a um determinado local com uma precisão da mesma ordem de grandeza do que a obtida durante a estimação de estados do robô. |
id |
URGS_a3a5a623705531452fa8ed1129bb6a31 |
---|---|
oai_identifier_str |
oai:www.lume.ufrgs.br:10183/163910 |
network_acronym_str |
URGS |
network_name_str |
Biblioteca Digital de Teses e Dissertações da UFRGS |
repository_id_str |
1853 |
spelling |
Tocchetto, Marco Antonio DalcinBazanella, Alexandre Sanfelici2017-07-12T02:29:58Z2017http://hdl.handle.net/10183/163910001025339Nesta dissertação é apresentada a comparação do desempenho de três estimadores - o Filtro de Kalman Estendido, o Filtro de Kalman Unscented e o Filtro de Partículas - aplicados para estimar a postura de um robô diferencial. Uma câmera foi fixa no teto para cobrir todo o campo operacional do robô durante os experimentos, a fim de extrair o mapa e gerar o ground truth. Isso permitiu realizar uma análise do erro de forma precisa a cada instante de tempo. O desempenho de cada um dos estimadores foi avaliado sistematicamente e numericamente para duas trajetórias. Os resultados desse primeiro experimento demonstram que os filtros proporcionam grandes melhorias em relação à odometria e que o modelo dos sensores é crítico para obter esse desempenho. O Filtro de Partículas mostrou um desempenho melhor em relação aos demais nos dois percursos. No entanto, seu elevado custo computacional dificulta sua implementação em uma aplicação de tempo real. O Filtro de Kalman Unscented, por sua vez, mostrou um desempenho semelhante ao Filtro de Kalman Estendido durante a primeira trajetória. Porém, na segunda trajetória, a qual possui uma quantidade maior de curvas, o Filtro de Kalman Unscented mostrou uma melhora significativa em relação ao Filtro de Kalman Estendido. Foi realizado um segundo experimento, em que o robô planeja e executa duas trajetórias. Os resultados obtidos mostraram que o robô consegue chegar a um determinado local com uma precisão da mesma ordem de grandeza do que a obtida durante a estimação de estados do robô.In this dissertation, the performance of three nonlinear-model based estimators - the Extended Kalman Filter, the Unscented Kalman Filter and the Particle Filter - applied to pose estimation of a differential drive robot is compared. A camera was placed above the operating field of the robot to record the experiments in order to extract the map and generate the ground truth so the evaluation of the error can be done at each time step with high accuracy. The performance of each estimator is assessed systematically and numerically for two robot trajectories. The first experimental results showed that all estimators provide large improvements with respect to odometry and that the sensor modeling is critical for their performance. The particle filter showed a better performance than the others on both experiments, however, its high computational cost makes it difficult to implement in a real-time application. The Unscented Kalman Filter showed a similar performance to the Extended Kalman Filter during the first trajectory. However, during the second one (a curvier path) the Unscented Kalman Filter showed a significant improvement over the Extended Kalman Filter. A second experiment was carried out where the robot plans and executes a trajectory. The results showed the robot can reach a predefined location with an accuracy of the same order of magnitude as the obtained during the robot pose estimation.application/pdfporFiltroRobóticaProcessamento de imagensState estimationExtended kalman filterUnscented kalman filterParticle filterDifferential drive robotEstimador de estados para robô diferencialinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisUniversidade Federal do Rio Grande do SulEscola de EngenhariaPrograma de Pós-Graduação em Engenharia ElétricaPorto Alegre, BR-RS2017mestradoinfo:eu-repo/semantics/openAccessreponame:Biblioteca Digital de Teses e Dissertações da UFRGSinstname:Universidade Federal do Rio Grande do Sul (UFRGS)instacron:UFRGSORIGINAL001025339.pdf001025339.pdfTexto completoapplication/pdf1579438http://www.lume.ufrgs.br/bitstream/10183/163910/1/001025339.pdf940b76e6aa874878251e83875a611f8eMD51TEXT001025339.pdf.txt001025339.pdf.txtExtracted Texttext/plain157277http://www.lume.ufrgs.br/bitstream/10183/163910/2/001025339.pdf.txt86522b73ad0d5b44bcf37bf029f0daf6MD52THUMBNAIL001025339.pdf.jpg001025339.pdf.jpgGenerated Thumbnailimage/jpeg992http://www.lume.ufrgs.br/bitstream/10183/163910/3/001025339.pdf.jpg8141935ac38dee5647ec5fa88bd2b3c9MD5310183/1639102024-01-17 04:29:10.899089oai:www.lume.ufrgs.br:10183/163910Biblioteca Digital de Teses e Dissertaçõeshttps://lume.ufrgs.br/handle/10183/2PUBhttps://lume.ufrgs.br/oai/requestlume@ufrgs.br||lume@ufrgs.bropendoar:18532024-01-17T06:29:10Biblioteca Digital de Teses e Dissertações da UFRGS - Universidade Federal do Rio Grande do Sul (UFRGS)false |
dc.title.pt_BR.fl_str_mv |
Estimador de estados para robô diferencial |
title |
Estimador de estados para robô diferencial |
spellingShingle |
Estimador de estados para robô diferencial Tocchetto, Marco Antonio Dalcin Filtro Robótica Processamento de imagens State estimation Extended kalman filter Unscented kalman filter Particle filter Differential drive robot |
title_short |
Estimador de estados para robô diferencial |
title_full |
Estimador de estados para robô diferencial |
title_fullStr |
Estimador de estados para robô diferencial |
title_full_unstemmed |
Estimador de estados para robô diferencial |
title_sort |
Estimador de estados para robô diferencial |
author |
Tocchetto, Marco Antonio Dalcin |
author_facet |
Tocchetto, Marco Antonio Dalcin |
author_role |
author |
dc.contributor.author.fl_str_mv |
Tocchetto, Marco Antonio Dalcin |
dc.contributor.advisor1.fl_str_mv |
Bazanella, Alexandre Sanfelici |
contributor_str_mv |
Bazanella, Alexandre Sanfelici |
dc.subject.por.fl_str_mv |
Filtro Robótica Processamento de imagens |
topic |
Filtro Robótica Processamento de imagens State estimation Extended kalman filter Unscented kalman filter Particle filter Differential drive robot |
dc.subject.eng.fl_str_mv |
State estimation Extended kalman filter Unscented kalman filter Particle filter Differential drive robot |
description |
Nesta dissertação é apresentada a comparação do desempenho de três estimadores - o Filtro de Kalman Estendido, o Filtro de Kalman Unscented e o Filtro de Partículas - aplicados para estimar a postura de um robô diferencial. Uma câmera foi fixa no teto para cobrir todo o campo operacional do robô durante os experimentos, a fim de extrair o mapa e gerar o ground truth. Isso permitiu realizar uma análise do erro de forma precisa a cada instante de tempo. O desempenho de cada um dos estimadores foi avaliado sistematicamente e numericamente para duas trajetórias. Os resultados desse primeiro experimento demonstram que os filtros proporcionam grandes melhorias em relação à odometria e que o modelo dos sensores é crítico para obter esse desempenho. O Filtro de Partículas mostrou um desempenho melhor em relação aos demais nos dois percursos. No entanto, seu elevado custo computacional dificulta sua implementação em uma aplicação de tempo real. O Filtro de Kalman Unscented, por sua vez, mostrou um desempenho semelhante ao Filtro de Kalman Estendido durante a primeira trajetória. Porém, na segunda trajetória, a qual possui uma quantidade maior de curvas, o Filtro de Kalman Unscented mostrou uma melhora significativa em relação ao Filtro de Kalman Estendido. Foi realizado um segundo experimento, em que o robô planeja e executa duas trajetórias. Os resultados obtidos mostraram que o robô consegue chegar a um determinado local com uma precisão da mesma ordem de grandeza do que a obtida durante a estimação de estados do robô. |
publishDate |
2017 |
dc.date.accessioned.fl_str_mv |
2017-07-12T02:29:58Z |
dc.date.issued.fl_str_mv |
2017 |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/masterThesis |
format |
masterThesis |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
http://hdl.handle.net/10183/163910 |
dc.identifier.nrb.pt_BR.fl_str_mv |
001025339 |
url |
http://hdl.handle.net/10183/163910 |
identifier_str_mv |
001025339 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.format.none.fl_str_mv |
application/pdf |
dc.source.none.fl_str_mv |
reponame:Biblioteca Digital de Teses e Dissertações da UFRGS instname:Universidade Federal do Rio Grande do Sul (UFRGS) instacron:UFRGS |
instname_str |
Universidade Federal do Rio Grande do Sul (UFRGS) |
instacron_str |
UFRGS |
institution |
UFRGS |
reponame_str |
Biblioteca Digital de Teses e Dissertações da UFRGS |
collection |
Biblioteca Digital de Teses e Dissertações da UFRGS |
bitstream.url.fl_str_mv |
http://www.lume.ufrgs.br/bitstream/10183/163910/1/001025339.pdf http://www.lume.ufrgs.br/bitstream/10183/163910/2/001025339.pdf.txt http://www.lume.ufrgs.br/bitstream/10183/163910/3/001025339.pdf.jpg |
bitstream.checksum.fl_str_mv |
940b76e6aa874878251e83875a611f8e 86522b73ad0d5b44bcf37bf029f0daf6 8141935ac38dee5647ec5fa88bd2b3c9 |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 |
repository.name.fl_str_mv |
Biblioteca Digital de Teses e Dissertações da UFRGS - Universidade Federal do Rio Grande do Sul (UFRGS) |
repository.mail.fl_str_mv |
lume@ufrgs.br||lume@ufrgs.br |
_version_ |
1810085412925865984 |