Indoor and Outdoor Localization for Fast Mobile Robots

Para esta semana la tarea es hacer un reporte de un artículo científico que hable sobre métodos de localización de interiores y/o exteriores.

Yo elegí uno que tiene por título "Indoor and Outdoor Localization for Fast Mobile Robots" por Kai Lingemann, Hartmut Surmann, Andreas Nchter, and Joachim Hertzberg de Fraunhofer Institute for Autonomous Intelligent Systems (AIS).

En este trabajo se describe un método novedoso basado en láser para el seguimiento de la postura de un robot móvil de alta velocidad. El algoritmo es muy bueno en términos de precisión y tiempo de cálculo, siendo 33 veces más rápido que en tiempo real. La eficiencia se consigue mediante una solución de forma cerrada para la juego de dos escáneres láser, el uso de puntos de referencia naturales y rápidos filtros lineales. El algoritmo implementado se evalúa con el Kurt3D robot de alta velocidad (4 m / s), y se comparó con los métodos estándar de análisis coincidentes en interiores y exteriores ambientes.

Kurt3D

Introducción

Con el fin de cumplir con las tareas del usuario especificadas, robots autónomos tienen que ser capaz de determinar su postura (posición y orientación) mientras se mueven es decir que tengan una auto-estable y precisa localización es uno de los requisitos más importantes para los actuar con éxito en cualquier ambiente.

La posición p de un robot se denota por una p = triples (x, y, θ), con la posición (x, y) y la orientación θ.

Enfoques robóticos estándar se utilizan a menudo, por ejemplo, odometría (contando las rotaciones de la rueda), para calcular su posición. Pero ruedas de deslizamiento, especialmente cuando se conduce a alta velocidad, y ocurren errores de cálculo. Estos errores se acumulan con el tiempo, y la estimación de la posición del robot se vuelve cada vez más incorrecta. Un método para mejorar la localización es rastrear la posición del robot con buscadores lásers.

Estado del arte

Algoritmos de localización relativa basada en la proximidad sensores se distinguen por el modo de cálculo que plantean el cambio entre dos entradas de sensor adquiridas a partir de dos diferentes posiciones. Nos concentramos en los métodos que utilizan un láser visor de rango, ya que tiene ventajas significativas, críticas en la velocidad y precisión de procesamiento en comparación a sonar y sensores estéreo cámara. Estado de la técnica son algoritmos comparando dos escaneos directamente o la utilización de representaciones especiales de los datos escaneados, por ejemplo, histogramas, las características como líneas extraídas o puntos de referencia. Estos últimos se distinguen además por el tipo de puntos de referencia, es decir, naturales o artificiales. se colocan en el ambiente para facilitar la tarea de ubicación, y son activas o pasivas.

Los principales inconvenientes de los enfoques actuales son de precisión y coste computacional, tanto en implementaciones prácticas así como desde un punto de vista teórico. Los problemas se presentan de la manera iterativa con una correspondencia óptima entre dos exploraciones, evitando teóricamente cálculos deficientes  y de algoritmos con complejidad exponencial en O (n^k), k> 1, con n el número de valores de distancia de un análisis.

Para hacer coincidir dos escaners, por lo general una función de error se define, la aplicación de un métrica en los partidos de exploración como una evaluación de la adecuación.

Minimizar la función de error es una optimización típico al problema con conocidos problemas. Generalmente, gradiente métodos de descenso se implementan, transformando el segundo escaner tal que la diferencia se reduce. Iteración conduce a un mínimo local de la función de error. Hay varios algoritmos que, además, calcular la transformación dentro de cada época de una manera iterativa, emplean un segundo nivel de iteraciones.

En este trabajo se describe un método para calcular la transformación de una manera óptima de forma cerrada, eliminando cualquier iteración. Para evaluar el algoritmo propuesto, se compara con tres algoritmos de exploración principal de igualación, en la aplicación de S. Gutmann:

• IDC (Correspondencia iterativa Dual): Adaptación de las materias primas, puntos de datos de ambas exploraciones. En lugar de una característica elaborado detección de puntos se asignan de acuerdo a su distancia o el ángulo.
• Cox: Los puntos de datos de un análisis se comparan con líneas, antes extraídos de la exploración de otros.
• Hist: Angle y xy histogramas se calculan a partir de ambas exploraciones y se compararon sobre la base de una correlación cruzada función.

Escaneo de concordancia con Hayai

Aquí se describe el algoritmo recién desarrollado Hayai (alta velocidad y precisa Indoor/outdoor de seguimiento). El algoritmo de comparación se basa en el seguimientoción esquema:

A. Filtrado de datos

La exploración es ruidosa y pequeños errores pueden ocurrir, puede haber llamado ruido de sal y pimienta. Esta última surge por ejemplo en los bordes donde el rayo láser de el escáner realiza dos superficies, lo que resulta en una media y valor de datos erróneos.Se proponen dos rápidos métodos de filtrado para modificar los datos con el fin de mejorar la calidad de cada exploración, típicamente contiene 181 puntos.

La reducción de datos, que se utiliza para la reducción de Gauss ruido, funciona como sigue: El lector emite los haces de láser en una forma esférica, de tal manera que los puntos de datos cerca de la fuente son más densas. Múltiples puntos de datos situados cercas juntos se unen en un punto. El número de estos los llamados puntos reducidos tienen un orden de magnitud más pequeña que la original. Para eliminar la sal y la pimienta, un filtro de mediana elimina los valores atípicos mediante la sustitución un punto de datos con el valor de la mediana de la n circundante puntos (en este caso: n = 7). Los puntos vecinos se determinan de acuerdo a su índice dentro de la exploración, ya que el láser escáner proporciona los datos ordenados en un sentido anti-horario. El valor medio se calcula con respecto a la distancia euclidiana de los puntos de datos hasta el punto de origen.

Con el fin de eliminar los datos ruidosos pero dejar el resto de escaneo puntos sin tocar, el algoritmo de filtrado de datos sustituye a un punto con el valor de la mediana correspondiente si y sólo sila distancia euclidiana entre ambos es mayor que un fijo umbral.

B. La extracción y combinación de características

• Tienen que ser invariante con respecto a la rotación y traducción.
• Tienen que ser computable de manera eficiente con el fin de satisfacer limitaciones en tiempo real.

Con el fin inherente de los datos de exploración permite la aplicación de filtros lineales para una función rápida y fiable detección. El algoritmo descrito elige extremos en la representación polar de un análisis como puntos de referencia naturales. Estos extremos se correlacionan con esquinas y bordes de salto en el espacio cartesiano. El uso de coordenadas polares implica una reducción de una dimensión, ya que todas las operaciones de desplegado para la extracción de características son rápidos filtros lineales, que operan en la secuencia de valores de rango

C. Rotación Estimación con histogramas de ángulo

En cuanto a los puntos de datos individuales de un análisis como vectores hace que sea posible asociar cada punto de datos con una ángulo, es decir, α (i) del punto i = (xi, yi) se define como el ángulo entre el eje x y el vector de i a i + 1, con

El discretizado y el trazado de los ángulos en contra de su frecuencia conduce a un histograma como una característica de la escaner que es invariante con respecto a la rotación, es decir, un movimiento del robot da lugar a un desplazamiento de traslación del histograma ángulo circular .

Rastreo de interior

Se muestra el resultado de una unidad cíclica de 160 m en la Oficina del Corredor del AIS Fraunhofer Institute. El mapa se generó a partir de 12727 exploraciones durante el viaje, y es el resultado directo de el algoritmo de coincidencia de exploración, sin fusión con odometría, y sin algoritmos adicionales correctoras, como relajación global o corrección explícita de ciclos, con el fin de ilustrar la calidad de la localización.

Rastreo de exterior

Localización al aire libre es particularmente exigente para un algoritmo, ya que tiene que hacer frente a entornos altamente irregulares y no estáticos, donde incluso pequeños cambios en la postura conducirá a cambios significativos en los análisis correspondientes.

Por ejemplo, las exploraciones de las plantas de resultado en mayor o menor producción debido a los bordes de muchos saltos y reflexiones en mover las hojas y las ramas. Otros métodos de localización al aire libre con capacidad típicamente dependen de algún tipo de información absoluta, como una priori un mapa del entorno, balizas activas o datos GPS. Contrariamente a la exploración de referencia coincidente, el algoritmo Hayai demostro ser capaz de localizar el robot en un ambiente claramente no estructurada, siempre y cuando el propio suelo es aproximadamente incluso de modo que no hay cambios significativos de paso del robot y del ángulo de balanceo .

Conclusiones

Los robots móviles dependen de una estable y fiable localización. La localización con este nuevo algoritmo, es capaz de dar seguimiento de trayectoria de un robot en el interior, así como en el exterior, conduciendo a una velocidad de hasta 4 m / s.

En comparación con tres estado de la técnica de exploración que emparejan algoritmos mostraron el excelente rendimiento de Hayai.

Es una técnica bastante útil que puede ayudar a mejorar la localización en interiores principalmente, yo creo que hubiera sido bueno incluir en el artículo algunas medidas de desempeño de tiempo, como por ejemplo mencionan que es más rápido, sin embargo no hay un número que respalde esta afirmación y así podríamos ver la comparación con los demás algoritmos. Sería bueno que se tratará de aplicar este algoritmo a aparatos más pequeños y no precisamente del tamaño del robot, para poder por ejemplo localizar en los interiores ciertas zonas de un edificio con realidad aumentada, etc.

Referencias

Imagenes tomadas del artículo.