Академический Документы
Профессиональный Документы
Культура Документы
So Lus
2016
ANDR FELIPE DA SILVA OLIVEIRA
So Lus
2016
Resumo
Este trabalho consiste em uma reviso bibliogrfica a cerca de localizao simultnea
e mapeamento aplicada a robs mveis. Neste trabalho abordado sobre os tipos
de filtros, tipos de modelos de movimento, tipos de medio e a aplicao deles no
contexto de localizao simultnea e mapeamento. Todo o trabalho fundamento
em uma abordagem probabilstica.
Introduo . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1 FILTROS PROBABILSTICOS . . . . . . . . . . . . . . . . . 7
1.1 Filtro de Bayes . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.2 Parametrizados . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.2.1 Filtro de Kalman . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
1.2.2 Filtro de Kalman estendido . . . . . . . . . . . . . . . . . . . . . . 15
1.3 No-parametrizados . . . . . . . . . . . . . . . . . . . . . . . . 18
1.3.1 Filtro histograma . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
1.3.1.1 Filtro discreto de Bayes . . . . . . . . . . . . . . . . . . . . . . . . . 19
1.3.1.2 Estados contnuos . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
1.3.2 Filtro de partculas . . . . . . . . . . . . . . . . . . . . . . . . . . 20
REFERNCIAS . . . . . . . . . . . . . . . . . . . . . . . . . 34
6
Introduo
Sempre que se fala em robs autnomos, pensa-se que ele deve ser capaz
de reconhecer e atuar no ambiente ao seu redor, mesmo que esse ambiente seja
inicialmente desconhecido. Quando se fala em robs moveis, atuao do rob se da
na forma de locomoo no ambiente e com isso a sua autonomia passa por reconhecer
ou mapear o ambiente em que esta inserido. SLAM (Simultaneous Localization
and Mapping) uma rea cujo objetivo mapear ambientes desconhecidos, de
forma a fornecer ao rob mvel informao suficiente para que este possa exercer
sua autonomia (um mapa e a localizao do rob neste mapa de forma precisa e
confivel).
SLAM envolve varias reas de pesquisas, sendo algumas delas controle,
tratamento de dados , processamento de imagens e mapeamento. As aplicaes
so as mais variadas possveis, sendo uma das mais utilizadas em motivaes de
trabalho, a utilizao de robs que se usam de SLAM para salvamento em ambientes
desconhecidos.
Os primeiros trabalhos relevantes publicados sobre SLAM foram realizados
pelos pesquisadores R.C. Smith e P. Cheeseman em (SMITH; CHEESEMAN, 1986)
e (SMITH; SELF; CHEESEMAN, 1990). Outro trabalho pioneiro foi o de Hugh
F. Durrant-Whyte em (LEONARD; DURRANT-WHYTE, 1991) atravs de uma
abordagem algortmica computacionalmente tratvel.
Neste trabalho esta dividido da seguinte forma, onde no Captulo 1 explana-
se sobre filtros bastante utilizados no estudo e implementao de SLAM, no Captulo
2 fala-se sobre os modelos de movimentos probabilsticos predominantes em SLAM,
no Captulo 3 se aborda as tcnicas de medio probabilsticas e no Captulo 4
explanado sobre filtros SLAM em uma abordagem probabilstica.
7
1 Filtros Probabilsticos
2013):
p(xt |xt1 , ut ), (1.2)
dessa forma, tem-se ento que o estado atual do rob depende do estado anterior e
a ao de movimento que ocorreu sobre a ao anterior, gerando assim o estado
atual.
Sabendo que a medio diretamente vinculada ao estado do rob, ou seja,
sua localizao, pode-se dizer que (FALLIS, 2013):
ou seja, a medio depende apenas da posio atual do rob, independe das posies
anteriores e movimentos por ele executado.
Para entender as sesses a seguir, preciso introduzir um conceito de robtica
probabilstica chamada de crena (belief ). Crena o conhecimento interno do rob
sobre o estado do ambiente (seu posicionamento). Um estado no pode ser medido
diretamente e o rob deve inferir seu posicionamento atravs dos dados fornecidos
pelas medies. preciso saber distinguir um estado verdadeiro de uma crena
interna do rob.
A robtica probabilstica representa a crenas como uma distribuio proba-
bilstica condicional (Distribuio de crenas). A crena atribui uma probabilidade
para cada hipotese possvel de ser o estado real. Pode-se chamar a crena sobre a
varivel estado xt de bel(xt ) e dessa forma pode-se dizer que (FALLIS, 2013):
Tambm assume-se que o sensor do rob contem rudo e que o rudo do sensor
segue as seguintes condies de probabilidade:
Dessa forma a chance de falso negativo caso a porta esteja aberta e o sensor
detecte ela fechada com a probabilidade ocorrer de 0.4. No caso de falso positivo a
porta esta fechada e o sensor detecta ela aberta com a probabilidade de 0.2.
Analisando as probabilidades das Frmulas 1.10 e 1.11 e se considerar que
a nica ao que o rob pode exercer sobre a porta empurra-la, pode-se ento
inferir que:
Z
bel(x1 ) = p(x1 |u1 , x0 ) bel(x0 )dx
X
bel(x1 ) = p(x1 |u1 , x0 ) bel(x0 )
x0
bel(x1 = estaAberto)
= p(X1 = estaAberto | U1 = f azerN ada, X0 = estaAberto) bel(X0 = estaAberto)
+p(X1 = estaAberto | U1 = f azerN ada, X0 = estaF echado) bel(X0 = estaF echado)
bel(x1 = estaAberto) = 1 0.5 + 0 0.5 = 0.5
(1.17)
e ento:
Atravs desse exemplo e at este ponto, pode-se dizer que existe uma chance
de aproximadamente 0.983 da porta estar aberta caso as medies estejam corretas.
Captulo 1. Filtros Probabilsticos 13
Ainda de acordo com (FALLIS, 2013), ele compara isso a uma chance de um avio
em voou com piloto automatico, ter uma chance de 0.983 de no cair.
Atravs desse exemplo, pode-se perceber a importncia da aplicao de
filtros para prever a possibilidade de situaes possveis, no caso do SLAM, os
filtros so utilizados para confirmar medies (ex.: qual a possibilidade de realmente
existir uma parede em um determinado local) e analisar o quo confiveis essas
medies podem ser.
Na tentativa de melhorar ainda mais a preciso dos filtros, pois este um
dos pilares fundamentais na utilizao dos mesmos, atrela-se o filtro de Bayes a
conceitos de probabilidade. Nos tpicos a seguir, se aborda sobre alguns filtros
derivados do filtro de Bayes e fundamentados em probabilidade.
1.2 Parametrizados
Os filtros parametrizados tem por caracterstica serem um estimador de es-
tados recursivo, tambm chamados de filtros gaussianos. Esses filtros so conhecidos
por serem implementaes tratveis do filtro de Bayes.
Os filtros gaussianos tem uma caracterstica bsica em que as crenas so
representadas por distribuies normais multivariadas, que dada pela Equao
(FALLIS, 2013):
1
12
p(x) = det(2) exp (x )T 1 (x ) , (1.26)
2
onde x o estado, a mdia e a covarincia.
Filtros gaussianos so unimodais, ou seja, eles possuem apenas um nico
mximo. Inferir um estado posterior uma caracterstica de muitos problemas de
rastreamento em robtica, em que o estado posterior inferido se encontra prximo
ao estado verdadeiro e com apenas uma pequena margem de incerteza.
Em (FALLIS, 2013) dito que a representao de uma gaussiana por
mdia e covarincia chamada de representao de momentos, isto porque a
mdia e a covarincia so os primeiros e segundo momento de uma distribuio de
probabilidade. Todos os outros momentos so zero para distribuio normal.
Captulo 1. Filtros Probabilsticos 14
xt = At xt1 + Bt ut + t (1.27)
zt = Ct xt + t . (1.29)
Este modelo baseado nas Equaes 1.27 e 1.29 e uma generalizao delas.
Porm, sendo g e h funes arbitrarias, a crena deixa de ser uma gaussiana e a
atualizao da crena tambm deixa de ser exata para as funes no lineares g e
h.
Segundo (FALLIS, 2013), o filtro de Kalman estendido (EKF) calcula uma
aproximao da verdadeira crena e representa essa aproximao por uma gaussiana.
Dessa forma, a crena bel(xt ) no tempo t representada pela mdia t e a covarincia
t . Por este motivo, o EKF herda do filtro de Kalman a representao da crena,
mudando apenas que no EKF, a crena passa a ser apenas uma aproximao,
enquanto o filtro de Kalman exato.
O EKF tem uma ideia que que o viabiliza chamada de linearizao (FALLIS,
2013). A gaussiana projetada atravs da funo no-linear de prximo estado g
no gaussiana. O motivo disso porque a no-linearidade em g distorce a crena
de forma que destri a a sua forma gaussiana.A linearizao aproxima g atravs
de uma funo linear, que tangente a g na mdia da gaussiana. Ainda segundo
(FALLIS, 2013), a linearizao de g aproxima a propagao da crena de forma
que torna ela equivalente ao do filtro de Kalman. O mesma tcnica se aplica a h.
A tcnica de linearizao utilizada pelo EKF a expanso de Taylor, essa
tcnica constri uma aproximao linear para g a partir de seus valores e inclinao.
A inclinao calculada pela derivada parcial:
g(ut , xt1 )
g 0 (ut , xt1 ) := (1.34)
xt1
Captulo 1. Filtros Probabilsticos 17
t ) + h0 (
h(xt ) h( t )(xt
t )
| {z }
=: Ht
t ) + Ht (xt
= h( t ) (1.37)
Captulo 1. Filtros Probabilsticos 18
h(xt )
Sabendo que h0 (xt ) := xt
, tem-se:
1 1
p(zt |xt ) det(2Qt ) 2 exp{ [zt h( t ) Ht (xt t )]T
2
Q1
t [zt h(
t ) Ht (xt t )]} (1.38)
1.3 No-parametrizados
Segundo (FALLIS, 2013), alternativo aos filtros paramtricos (gaussianos),
tem-se os filtros no-paramtricos. Os filtros paramtricos no ficam presos de
forma funcional a uma forma de estado posterior nica, como acontece com os
filtros gaussianos.
Os filtros no-paramtricos se utilizam de uma aproximao do estado poste-
rior, atravs de nmero finito de valores, cada um correspondendo aproximadamente
a uma regio do espao de estado. O nmero de parmetros utilizados para estimar
uma aproximao do prximo estado pode variar e a qualidade da aproximao
depende diretamente desse nmero de parmetros utilizados. Quando o nmero
de parmetros tende ao infito, a aproximao tende ao prximo estado de forma
exata, porm, quanto maior o nmero de parmetros, maior o custo computacional,
felizmente que sero apresentados tem a possibilidade de adaptar se o nmero
de parmetros para a complexidade do estado posterior. Dessa forma, quando o
estado posterior tem uma pequena complexidade, utiliza-se um pequeno nmero de
parmetros e quando tem uma alta complexidade, o nmero de parmetros cresce.
A tcnicas que sero apresentadas aqui, histograma e filtro de partculas,
no tem fortes hipteses paramtricas sobre o estado posterior, porm elas so
adequadas para representar crenas complexas e multimodais. So uma boa escolha
quando tem que se lidar com fases de incertezas globais e quando encontra problemas
com difceis associao de dados.
Segundo (FALLIS, 2013), tcnicas em que se possvel adaptar o nmero
de parmetros so chamadas de adaptativas e aquelas que so capazes de adaptar
Captulo 1. Filtros Probabilsticos 19
O |xk,t | representa o volume da regio xk,t e pk,t a probabilidade para cada regio
xk,t . O estado mdio xk,t calculado por:
Z
xk,t = |xk,t |1 xt dxt (1.41)
xk,t
ser utilizado ztk para se referir a uma medio individualmente. Aps definir a foram
como as medies so expressas, aproxima-se p(zt |xt , m) atravs do produtrio das
medies individuais.
K
p(ztk |xt , m)
Y
p(zt |xt , m) = (3.2)
k=1
neste ambiente:
m = {m1 , m2 , ..., mN }, (3.3)
Referncias
BAILEY, T.; NIETO, J.; GUIVANT, J.; STEVENS, M.; NEBOT, E. Consistency
of the ekf-slam algorithm. In: 2006 IEEE/RSJ International Conference on
Intelligent Robots and Systems. [S.l.: s.n.], 2006. p. 35623568. ISSN 2153-0858.
Citado na pgina 31.
DIOSI, A.; KLEEMAN, L. Advanced sonar and laser range finder fusion for
simultaneous localization and mapping. In: Intelligent Robots and Systems, 2004.
(IROS 2004). Proceedings. 2004 IEEE/RSJ International Conference on. [S.l.:
s.n.], 2004. v. 2, p. 18541859 vol.2. Citado na pgina 28.
PAZ, L. M.; TARDS, J. D.; NEIRA, J. Divide and conquer: Ekf slam in
o(n). IEEE Transactions on Robotics, v. 24, n. 5, p. 11071120, Oct 2008. ISSN
1552-3098. Citado na pgina 31.
Referncias 35