Detalhes bibliográficos
| Ano de defesa: |
2023 |
| Autor(a) principal: |
Carvalho, João Luiz Carneiro
 |
| Orientador(a): |
Farias, Paulo César Machado de Abreu
,
Simas Filho, Eduardo Furtado de
|
| Banca de defesa: |
Farias, Paulo César Machado de Abreu,
Ribeiro, Tiago Trindade,
Fernandes Júnior, Antônio Carlos Lopes,
Barreto, Guilherme de Alencar,
Freire, Eduardo Oliveira |
| Tipo de documento: |
Tese
|
| Tipo de acesso: |
Acesso aberto |
| Idioma: |
por |
| Instituição de defesa: |
Universidade Federal da Bahia
|
| Programa de Pós-Graduação: |
Programa de Pós-Graduação em Engenharia Elétrica (PPGEE)
|
| Departamento: |
Escola Politécnica
|
| País: |
Brasil
|
| Palavras-chave em Português: |
|
| Área do conhecimento CNPq: |
|
| Link de acesso: |
https://repositorio.ufba.br/handle/ri/39357
|
Resumo: |
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%. |
