Técnicas de slam con filtros probabilísticos: caracterización y resultados en robots móviles

Franklin Pineda-Torres

doi:10.61799/2216-0388.408

PDF

HTML

Técnicas de slam con filtros probabilísticos: caracterización y resultados en robots móviles

Franklin Pineda-Torres

Universidad Autónoma de Colombia

DOI: https://doi.org/10.61799/2216-0388.408

Publicado

2019-10-07

Número

Vol. 9 Núm. 18 (2019)

Sección

Articulos

Licencia

Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial 4.0.

Cómo citar

[1]

Pineda-Torres, F. 2019. Técnicas de slam con filtros probabilísticos: caracterización y resultados en robots móviles. Mundo FESC. 9, 18 (oct. 2019), 7–15. DOI:https://doi.org/10.61799/2216-0388.408.

Descargar cita

Dimensions Metrics

https://plu.mx/plum/a/?doi=10.61799/2216-0388.408

filtro de kalman, localización, robot móvil, sensor

El desafío de la localización y mapeo SLAM (Simultaneous Localization And Mapping) en robots móviles consiste en descubrir si es posible navegar a través de un entorno desconocido y construir de manera incremental un mapa consistente del mismo, mientras que determina al mismo tiempo su posición dentro del mapa. La solución teórico-conceptual ha sido desarrollado por el SLAM especialmente con filtros de localización, tales como: el filtro de Kalman, el filtro de información, el filtro gráfico y el filtro de partículas entre otros. El estudio realizado al variar marcas establecidas en las trayectorias y analizar estos filtros desde el punto de vista probabilístico que se encuentran incorporados en dos prototipos de robots móviles que poseen sensores de ultrasonido y láser, muestra resultados de errores en odometría y tiempos necesarios que cada filtro SLAM tiene en promedio por iteración para la construcción del mapa bidimensional.

R. Siegwart, I. Nourbakhsh, D. Scaramuzza “Introduction to Autonomous Mobile Robots”. France: MIT, Second Edition, 2011.

L. Armesto, “Te´cnicas de control y fusio´n sensorial multifrecuenciales y su aplicacio´n a la robo´tica mo´vil”. Tesis doctoral, Universidad Polite´cnica de Valencia, España, 2005.

S. Kim, y B.K. Kim, “Dynamic Ultrasonic Hybrid Localization System for Indoor Mobile Robots”. IEEE Transactions on Industrial Electronics, vol. 60, pp 4562-4573, 2013. DOI: https://doi.org/10.1109/TIE.2012.2216235

G. N. DeSouza y A. C. Kak. “Vision for Mobile Robot Navigation: A Survey”. IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 24, no. 2, 2002. DOI: https://doi.org/10.1109/34.982903

J. M. Armingol-Moreno, Localización Geométrica de Robots Móviles Autónomos. Tesis Doctoral Universidad Carlos III de Madrid, España, 1997.

H. Durrant-Whyte, y T.Bailey. “Simultaneous localization and mapping”.: Robotics Automation Magazine, vol. 13 no.2, pp. 1-9, 2006. DOI: https://doi.org/10.1109/MRA.2006.1638022

S. Thrun, W. Burgard, D. Fox, “Probabilistics Robotics”. Massachusetts: The MIT Press, 2005

H. R. Everettt, “Sensors for Mobile Robots, theory and application”. Massachusetts: A.K. Peters Ltd., 1995.

P. Corke, “Robotics, Vision and Contro”. Unite Stated: Springer Publishing, 1 Ed, 2011. DOI: https://doi.org/10.1007/978-3-642-20144-8_1

D. Pérez, Sensores de distancia por ultrasonido, 2017. [En linea]. Disponible en: http://www.alcabot.com/alcabot/seminario2006/Trabajos/DiegoPerezDeDiego.pdf [Accedido: 13-marzo-2019].

F. E. Pineda F. “Localización Probabilística en Drones, para aprendizajes cooperativos”. Informe de Avance. SUI. Universidad Autónoma de Colombia. Bogotá, Colombia, 2017.

C. Fernández. “Técnicas de Navegación de Robots basadas en medición por láser”. Tesis de Pregrado. Universidad de Salamanca, España, 2007.

J. Berrío J. “Mapeo y Localización Simultánea de un Robot Móvil en Ambientes Estructurados Basado En Integración Sensorial”. Tesis de Maestría. Universidad del Valle, Cali, Colombia, 2012.

S. Thrun, “Robotic mapping: A survey. In Exploring Artificial Intelligence in the New Millenium”. Massachusetts: Morgan Kaufmann Publishers2003.,

C. Stachniss. (2017). “Robot Mapping - WS 2013/14”. Germany: UniFreiburg AIS, 2017.

F. Andrade, y M. Llofriu. “Estudio del estado del arte del SLAM e implementacio´n de una plataforma flexible”. Tesis de pregrado. Universidad de la República. Montevideo Uruguay, 2017.

Corke Peter (2017). “Robotics Toolbox for MATLAB”. European: Press Realease 10.

F. E. Pineda F. “Localización Probabilística en Drones, para aprendizajes cooperativos”. Segundo Informe de Avance. SUI. Universidad Autónoma de Colombia. Bogotá, Colombia, 2017.

Palabras clave:

filtro de kalman, localización, robot móvil, sensor

Resumen

Referencias