2008 Cleanrob MIEEC 2008 Melhoria do desempenho do robot do serviço de limpeza Dissertação realizada no âmbito do Mestrado Integrado em Engenharia Electrotécnica.

Apresentação em tema: "2008 Cleanrob MIEEC 2008 Melhoria do desempenho do robot do serviço de limpeza Dissertação realizada no âmbito do Mestrado Integrado em Engenharia Electrotécnica."— Transcrição da apresentação:

1 2008 Cleanrob MIEEC 2008 Melhoria do desempenho do robot do serviço de limpeza Dissertação realizada no âmbito do Mestrado Integrado em Engenharia Electrotécnica e de Computadores Major Automação João Manuel Ferreira Martins Orientador: Prof. Dr. Armando Sousa Julho de 2008

2 Cleanrob 2 MIEEC 2008 Sumário Objectivos Cleanrob Fusão de informação Arquitectura Resultados Conclusões Trabalho Futuro Demonstração Introdução Base Fusão sensorial Arquitectura Resultados Conclusões Demonstração

3 Cleanrob 3 MIEEC 2008 Objectivos Estudo dos fundamentos teóricos:  Fusão de informação  Localização  Arquitectura de sistemas robóticos autónomos Optimizar a montagem dos sensores. Testar a utilização de sensores de baixo custo na localização. Desenvolver os métodos de auto-localização:  Filtro de Kalman Extendido  Filtro de Partículas Comparar os resultados dos dois métodos. Introdução Fusão sensorial Base Arquitectura Resultados Conclusões Demonstração

4 Cleanrob 4 MIEEC 2008 CleanRob Objectivo: limpar os corredores do DEEC. Locomoção: diferencial Sensores: Encoders Sharps/Sonares Câmara Características relevantes: Ligação wireless à internet Log replay Fácil upload de novos mapas Introdução Base Fusão sensorial Arquitectura Resultados Conclusões Demonstração

5 Cleanrob 5 MIEEC 2008 Métodos de fusão de informação Filtro de Kalman Método “clássico” Óptimo para sistemas lineares Requisito: Distribuição gausssiana Filtro de Kalman Extendido Melhor filtro linear para sistemas não lineares Lineariza sistema em cada instante Sem garantia teórica de convergência Filtro de Partículas Discretização do teorema de Bayes Sequencias aleatórias de Monte Carlo Partícula = Estado + Peso Distribuição de probabilidade multimodal Permite resolver o rapto e a localização global A qualidade da aproximação é proporcional ao nº de partículas Introdução Base Fusão sensorial Arquitectura Resultados Conclusões Demonstração Aproximaram-se os modelos de ruído dos sensores a distribuições gaussianas.

6 Cleanrob 6 MIEEC 2008 Técnicas usadas Localização por linhas Funciona através da medição das distâncias a uma linha/parede. Fornece um ângulo e uma distância relativas. Localização por códigos de barras Funciona através da visualização de 1 CB. Fornece uma pose completa (x, y, θ). Introdução Base Fusão sensorial Arquitectura Resultados Conclusões Demonstração

7 Cleanrob 7 MIEEC 2008 Aquisição inteligente de sensores Libertar o programa principal do atendimento e tratamento dos dados dos sensores. Testes de verosimilhança (validação de medidas) Fusão sensorial permite: redundância, complementaridade e cooperativismo entre sensores. Comunica por UDP ou IPC com o programa principal. Exemplo: localização por linhas, duas distâncias são transformadas num ângulo e numa distancia. Constituição básica do ISA Introdução Base Fusão sensorial Arquitectura Resultados Conclusões Demonstração

8 Cleanrob 8 MIEEC 2008 Arquitectura Resumo da arquitectura implementada Arquitectura tecnológica – melhorada e adaptada da Tese do Eng. Fernando Pinto Arquitectura híbrida modular : processo reactivo+ processo hierárquico Introdução Base Fusão sensorial Arquitectura Resultados Conclusões Demonstração

9 Cleanrob 9 MIEEC 2008 Resultados São expostos apenas os casos mais interessantes: EKF rastreio de posição usando códigos de barras e linhas/paredes FP rastreio de posição usando apenas sharps EKF localização global usando códigos de barras NOTA: As imagens foram criadas com o programa Log Replay e consistem na representação dos dados em intervalos de 20 ciclos de controlo. As posições reais medidas manualmente são sobrepostas no mapa. Introdução Base Fusão sensorial Arquitectura Resultados Conclusões Demonstração

10 Cleanrob 10 MIEEC 2008 EKF - rastreio de posição EKF localização por CB e por linhas Legenda Azul : pose estimada Vermelho : pose real medida Preto : medidas dos sharps Verde : ângulo dos sharps Castanho : medida da câmara x (m) y (m) Introdução Base Fusão sensorial Arquitectura Resultados Conclusões Demonstração

11 Cleanrob 11 MIEEC 2008 EKF - rastreio de posição EKF localização por CB e por linhas, evolução das covariâncias x (m) y (m) Legenda Azul : pose estimada Verde : elipse de covariâncias Castanho : medida da câmara Nota: Confiança é inversamente proporcional à incerteza Introdução Base Fusão sensorial Arquitectura Resultados Conclusões Demonstração

12 Cleanrob 12 MIEEC 2008 EKF - rastreio de posição Erro na localização em x e y.Erro na orientação. Erro em y menor que em x, graças às medidas laterais dos sharps. Erro na orientação com excepção do ponto inicial e final com valores muito baixos. Introdução Base Fusão sensorial Arquitectura Resultados Conclusões Demonstração

13 Cleanrob 13 MIEEC 2008 FP - rastreio de posição PF localização usando sharps. A cinzento são assinaladas as zonas do mapa similares. x (m) y (m) Introdução Base Fusão sensorial Arquitectura Resultados Conclusões Demonstração

14 Cleanrob 14 MIEEC 2008 EKF – localização global EKF localização global, ganho de Kalman Ganho de Kalman é: Maior, se a confiança na medida é elevada. Menor, se a confiança na previsão é elevada. x (m) y (m) Na pose final, o erro é menor que 10 cm e 8º. Introdução Base Fusão sensorial Arquitectura Resultados Conclusões Demonstração

15 Cleanrob 15 MIEEC 2008 Conclusões Verificadas na prática algumas das características típicas dos métodos de fusão usados:  No EKF, evolução das covariâncias e ganho de Kalman.  No PF, localização global e dificuldade em resolver semelhanças no mapa. Comprovaram-se os benefícios das técnicas de localização por linhas e por códigos de barras:  O uso da localização por linhas permite extrair informação relevante do ambiente, sem necessidade de o estruturar.  O uso dos CB permitiu ao EKF resolver o problema da localização global. 2008 Introdução Base Fusão sensorial Arquitectura Resultados Conclusões Demonstração

16 Cleanrob 16 MIEEC 2008 Conclusões No PF, conclui-se que:  O cálculo da “melhor partícula” apresenta melhores estimativas.  Muito eficaz na resolução da localização global. Em comparação o EKF apresentou melhores resultados, devido:  Testes de verosimilhança, uso de CB, disposição dos sensores e tipo de localização. A estrutura criada é:  Robusta, modular e a localização apresenta boa qualidade em ambientes dinâmicos. Acções de divulgação cientifica e apresentação na sociedade civil:  Artigo cientifico submetido a conferência futura.  Reportagem na revista Visão, no Jornal de Notícias, na RTPN e referência ao projecto na página oficial da BBC. Introdução Base Fusão sensorial Arquitectura Resultados Conclusões Demonstração

17 Cleanrob 17 MIEEC 2008 Trabalho futuro Implementar e testar diferentes algoritmos de localização:  Localização por grelhas.  Filtro de Kalman multi-hipótese. Aumentar o nº e experimentar outros tipos de sensores. Descobrir novos métodos de localização usando marcadores naturais. Aquisição de sensores:  Sensores inteligentes.  Testes de validação de medidas (verosimilhança). Aumentar o interesse do projecto:  Testar o robot em novos corredores, tais como os do edifício B.  Novas missões: entregar correio, acções de vigilância e guiar pessoas. Introdução Base Fusão sensorial Arquitectura Resultados Conclusões Demonstração

18 Cleanrob 18 MIEEC 2008 Demonstração Online: EKF usando localização de linhas e CBs.Offline: EKF usando localização de linhas e CBs. Introdução Base Fusão sensorial Arquitectura Resultados Conclusões Demonstração

19 2008 Cleanrob MIEEC 2008 Obrigado pela atenção Página da dissertação: www.fe.up.pt/~ee03122 Página do projecto CleanRob: www.fe.up.pt/~cleanrob João Martins ee03122@fe.up.pt

20 Cleanrob 20 MIEEC 2008 Filtro de partículas População Inicial: espalha N partículas pelo mapa. Previsão: usa o modelo de odometria para prever o estado. Actualização: afectam-se os pesos das partículas, de acordo com a prob à posteriori (se existirem medidas). Normalização: normaliza os pesos para que se mantenha uma distribuição prob. Pose estimada: 3 métodos estudados. Re-amostragem: criar cópias das partículas com pesos maiores.

21 Cleanrob 21 MIEEC 2008 EKF – localização global EKF localização global usando CBs (inicio)EKF localização global usando CBs (fim) Robot parado perto de um CB. Na pose inicial, o erro é ~:  6 metros;  90º. Introdução Fusão sensorial Base Arquitectura Resultados Conclusões Demonstração x (m) y (m) x (m) y (m) Na pose final, o erro é ~:  10 centímetros;  8º.

22 Cleanrob 22 MIEEC 2008 Fusão de informação Motivação para o uso da fusão de dados: Imperfeição dos sensores (não linearidades, ruído) Avaria de sensores Limitações tecnológicas (um sensor não capta toda a informação) Restrições físicas do sensor (alcance, fraca precisão, baixa resolução) Complexidade do ambiente Problemas com sistemas de tempo real Introdução Fusão sensorial Base Arquitectura Resultados Conclusões Demonstração

23 Cleanrob 23 MIEEC 2008 FP - rastreio de posição Erro na localização em x e y.Erro na orientação. Quando converge, o erro em y quase que se anula. O erro em x mantém-se constante perto dos 6 metros. O erro na orientação é também muito reduzido. Através da análise dos gráficos compreende-se a dificuldade em tratar zonas semelhantes do mapa. Introdução Fusão sensorial Base Arquitectura Resultados Conclusões Demonstração

24 Cleanrob 24 MIEEC 2008 FP – localização global Introdução Fusão sensorial Base Arquitectura Resultados Conclusões Demonstração FP localização global usando sharps (fim)FP localização global usando sharps (inicio) Em 2segundos, o FP convergiu para a pose real. Erro na pose final perto de 10 cm e 14º. x (m) y (m) x (m) y (m)