Oscar Javier Montañez Sogamoso GINTEL oscarjavier.montanez@uptc.edu.co
Resumen
Los sistemas de navegación autónoma actuales, exigen en su
correcto funcionar la implementación de conjuntos de sensores que permitan medir una misma variables a partir de fenómenos físicos a menudo diferentes. Brindando una segunda perspectiva al controlador-pc cerebro del sistema autónomo[1-2]. Esta implementación de conjunto de sensores hace uso de diferentes técnicas: estadística[3], de lógica difusa y para el caso de este trabajo el filtro Kalman Extendido (Extended Kalman Filter, EKF)[4]. Esta último, parte del modelado cinemático en el que la fusión de sensores tiene lugar y a partir de ahí lograr una efectiva fusión de datos, filtrados contra las posibles incertidumbres en mediciones realizadas por los sensores al sistema medido[5]. Fig. 1. Revisión de Estado del Arte Formulación del problema
Examinar la posibilidad de generar un filtro Kalman para la
fusión de sensores LiDAR y RADAR en un vehículo volador no tripulado omnidireccional, a partir de los trabajos previos Resultados realizados por autores con respecto a la navegación autónoma de Las ecuaciones obtenidas corresponden a: vehículos automotores. Objetivos General Generar un modelo para la fusión de datos de sensores haciendo uso de un EKF para un Sensor LiDAR y un radar. Específicos: • Identificar trabajos previos realizados por diferentes autores en el tema de EKF para ser implementados en un vehículo volador omnidireccional. • Generar un modelo cinemático para la fusión de sensores. • Garantizar un bajo uso de CPU para eficiencia energética. • Plantear escenarios de simulación para evaluar el desempeño del modelo propuesto. Metodología Bibliografía El proceso de investigación tiene su inicio con la revisión de [1] T. Kim, J. Lee and T. Park, "Fusing Lidar, Radar, and Camera Using Extended Kalman Filter for Estimating the Forward Position of Vehicles," 2019 IEEE International Conference on Cybernetics trabajos previos: artículos, tesis y libros sobre el tema en busca and Intelligent Systems (CIS) and IEEE Conference on Robotics, Automation and Mechatronics de modelos allegados al objetivo de esta investigación. Teniendo (RAM), 2019, pp. 374-379, doi: 10.1109/CIS-RAM47153.2019.9095859 [2] Y. Wang, D. Liu and E. Matson, "Accurate Perception for Autonomous Driving: Application of en cuenta factores como: Kalman Filter for Sensor Fusion," 2020 IEEE Sensors Applications Symposium (SAS), 2020, pp. 1- 6, doi: 10.1109/SAS48726.2020.9220083. - ¿Cuáles son los métodos para fusión de datos de sensores más [3] J. Han, J. Kim and N. Son, "Persistent automatic tracking of multiple surface vessels by fusing usados por los diferentes autores? radar and lidar," OCEANS 2017 - Aberdeen, 2017, pp. 1-5, doi: 10.1109/OCEANSE.2017.8084714. [4] B. Kim, K. Yi, H. Yoo, H. Chong and B. Ko, "An IMM/EKF Approach for Enhanced -¿Cuáles son los modelos cinemáticos mas convenientes para el Multitarget State Estimation for Application to Integrated Risk Management System," in IEEE modelado del sistema teniendo en cuenta qué se hará uso de un Transactions on Vehicular Technology, vol. 64, no. 3, pp. 876-889, March 2015, doi: 10.1109/TVT.2014.2329497. sensor LiDAR y un RADAR? [5] H. Lee, H. Chae, K Yi, “A geometric Model based 2D LiDAR/Radar Sensor Fusion Tracking Surronounding Vehicles” 2019 International Federation of Automatic Control hosting by Elseiver (IFAC), 2019, pp 131-135, doi: 10.1016/j.ifacol.2019.08.060.
Centro de Gestión de Investigación y Extensión de la Facultad Seccional Sogamoso