| Revista: | Controle & automacao |
| Base de datos: | PERIÓDICA |
| Número de sistema: | 000315448 |
| ISSN: | 0103-1759 |
| Autores: | Miranda, Fabio L.N. de1 Ribeiro, Carlos H.C |
| Instituciones: | 1Instituto Tecnologico de Aeronautica, Divisao de Ciencia da Computacao, Sao Jose dos Campos, Sao Paulo. Brasil |
| Año: | 2006 |
| Periodo: | Oct-Dic |
| Volumen: | 17 |
| Número: | 4 |
| Paginación: | 391-408 |
| País: | Brasil |
| Idioma: | Portugués |
| Tipo de documento: | Artículo |
| Enfoque: | Aplicado |
| Resumen en inglés | Solving the problem of pose determination is a fundamental issue for incorporating the autonomy concept in mobile robots. However, due to the inaccurate nature of movement, localization is not possible if based solely on odometry. Information from other sensor readings must be extracted in such a way that intrinsic errors from action execution can be compensated for. In this context, Monte Carlo Localization estimates and updates pose (based on previously designed sensor and actuator models) by using a set of particles that define possible states the robot can occupy in its working environment, associated to a belief that indicates how close these particles are from the real robot localization. However, sensor model design is a complex task, and hard to be done by non-automatic techniques. The key idea in this paper is to train artificial neural networks for automatically extracting feature maps that simplifies the sensorial model, using a Bayesian method (BaLL - Bayesian Landmark Learning) from sensor data. This work describes an implementation, using as a base the Aria platform to simulate a mobile robot whose external sensors are sonars. Results show the suitability of the method and its applicability for automatic feature map extraction from sonar readings |
| Resumen en portugués | A solução do problema de determinação da postura (ou localização) é de fundamental importância para a incorporação de autonomia em robôs móveis. Entretanto, devido à natureza inexata do movimento, uma localização precisa não é possível usando unicamente odometria. Faz-se necessário extrair das leituras sensoriais do robô informações que permitam corrigir os desvios intrínsecos a cada ação executada. Neste contexto, os algoritmos de Monte Carlo estimam e atualizam a postura (com base em modelos a priori de sensores e atuadores) através de um conjunto de partículas que simbolizam possíveis posturas do robô no ambiente, associadas a uma crença que indica quão bem estas se aproximam de sua localização real. Complexa, no entanto, é a tarefa de obtenção do modelo sensorial, principalmente quando realizada por meio de técnicas não-automáticas. A idéia central aqui utilizada consiste no treinamento de redes neurais artificiais para extração automática de um mapa de atributos que simplifica o modelo sensorial, usando um método bayesiano (BaLL - Bayesian Landmark Learning) a partir de leituras sensoriais. Este trabalho descreve a implementação utilizando-se como base a plataforma ARIA para simulação de um robô móvel Magellan Pro cujos sensores externos são sonares. Os resultados mostram o funcionamento da técnica e a sua aplicabilidade para a obtenção automática de mapas de atributos |
| Disciplinas: | Ingeniería |
| Palabras clave: | Ingeniería biónica y cibernética, Ingeniería de control, Robótica, Robots móviles, Posicionamiento, Localización, Aprendizaje de máquinas, Sensores |
| Keyword: | Engineering, Bionics and cybernetics, Control engineering, Robotics, Mobile robot, Positioning, Location, Machine learning, Sensors |
| Texto completo: | Texto completo (Ver HTML) |
