0 calificaciones0% encontró este documento útil (0 votos)
35 vistas31 páginas
Este documento describe el desarrollo de un modelo probabilístico para un sensor de ultrasonido de bajo costo aplicado a la localización de robots móviles en ambientes dinámicos. El modelo considera cuatro fuentes de inexactitud en las mediciones del sensor: medición correcta con ruido local, objetos inesperados, errores en la medición y mediciones aleatorias. Se obtuvieron los parámetros del modelo experimentalmente usando el sensor SRF02 y el software MATLAB. Finalmente, el modelo se aplicó con éxito en un filtro de partículas para
Descripción original:
Modelo Probabilístico Para Sensor de Ultrasonido de Bajo Costo, Aplicado a ambientes Dinámicos
Título original
Modelo Probabilístico Para Sensor de Ultrasonido de Bajo
Este documento describe el desarrollo de un modelo probabilístico para un sensor de ultrasonido de bajo costo aplicado a la localización de robots móviles en ambientes dinámicos. El modelo considera cuatro fuentes de inexactitud en las mediciones del sensor: medición correcta con ruido local, objetos inesperados, errores en la medición y mediciones aleatorias. Se obtuvieron los parámetros del modelo experimentalmente usando el sensor SRF02 y el software MATLAB. Finalmente, el modelo se aplicó con éxito en un filtro de partículas para
Este documento describe el desarrollo de un modelo probabilístico para un sensor de ultrasonido de bajo costo aplicado a la localización de robots móviles en ambientes dinámicos. El modelo considera cuatro fuentes de inexactitud en las mediciones del sensor: medición correcta con ruido local, objetos inesperados, errores en la medición y mediciones aleatorias. Se obtuvieron los parámetros del modelo experimentalmente usando el sensor SRF02 y el software MATLAB. Finalmente, el modelo se aplicó con éxito en un filtro de partículas para
la Localizacin de Robots Mviles en Ambientes Dinmicos Bach. Robinson Lpez Monzn Universidad Nacional de Ingeniera | IEEE INTERCON 2011, Lima, Per Per Universidad Nacional de Ingeniera | IEEE INTERCON 2011, Lima, Per INDICE Introduccin. Marco Terico. Obtencin del Modelo. Herramientas Utilizadas. Parte experimental Aplicaciones. 06/08/2014 2 Universidad Nacional de Ingeniera | IEEE INTERCON 2011, Lima, Per INTRODUCCIN En el presente artculo se describe un estudio sobre uno de los modelos probabilsticos ms estudiados y adaptados a sensores de ultrasonido de bajo costo, con la finalidad de aumentar la calidad de informacin brindada por el sensor y poder implementar algoritmos de localizacin, en ambientes dinmicos. 06/08/2014 3 Universidad Nacional de Ingeniera | IEEE INTERCON 2011, Lima, Per Por qu probabilidades? Los sistemas robticas estn situados en un mundo fsico que est sujeto a una enorme incertidumbre. Los ambientes robticos son inherentemente impredecibles.
06/08/2014 4 Universidad Nacional de Ingeniera | IEEE INTERCON 2011, Lima, Per Por qu probabilidades? Las probabilidades me permiten, al contrario de establecer un simple mejor acierto, representar la informacin a travs de una distribucin de probabilidad sobre un espacio completo de opciones. Esto me permite expresar la incertidumbre y el grado de verosimilitud de una forma ms matemtica. 06/08/2014 5 Universidad Nacional de Ingeniera | IEEE INTERCON 2011, Lima, Per Ambientes Dinmicos. 06/08/2014 6 Almacenes Oficinas Universidad Nacional de Ingeniera | IEEE INTERCON 2011, Lima, Per Marco Terico Los modelos de medicin comprenden uno de los dominios del modelamiento en robtica. Los modelos de medicin de describen el proceso de formacin por el cual las mediciones son generadas en el mundo real. La robtica modela explcitamente el ruido en los sensores, como por ejemplo la incertidumbre intrnseca de los mismos. 06/08/2014 7 Universidad Nacional de Ingeniera | IEEE INTERCON 2011, Lima, Per Marco Terico El modelo probabilstico que veremos, es el beam model, planteado por S.Thrun, que parte directamente de una interpretacin fsica del sensor, dividiendo las fuentes de inexactitud en el sensor en cuatro: Medicin correcta con ruido local. Objetos Inesperados. Errores en la medicin. Mediciones aleatorias. 06/08/2014 8 Universidad Nacional de Ingeniera | IEEE INTERCON 2011, Lima, Per Medicin correcta con ruido local. Debido a que no existe relacin en el ruido presente en las medidas, es decir podemos decir que la influencia del ruido en cada medicin es independiente y estocstica, es por ello que este ruido en la medicin es usualmente modelado por una distribucin Gaussiana estrecha, con media en la medida ideal, hallada haciendo ray casting y una desviacin estndar intrnseca del sensor. 06/08/2014 9 Universidad Nacional de Ingeniera | IEEE INTERCON 2011, Lima, Per Medicin correcta con ruido local. 06/08/2014 10 Universidad Nacional de Ingeniera | IEEE INTERCON 2011, Lima, Per Objetos Inesperados. Los ambientes donde se desempean los robots mviles son dinmicos, pero por el contrario los mapas son estticos, por lo tanto la aparicin de objetos no descritos en el mapa conllevar a mediciones sorpresivas. Estos objetos no modelados, tienen la particularidad que siempre reflejan una medicin menor a la real. 06/08/2014 11 Universidad Nacional de Ingeniera | IEEE INTERCON 2011, Lima, Per Objetos Inesperados Matemticamente esta relacin disminuye de forma exponencial .
es un coeficiente intrnseco del sensor. El denominador de la ecuacin es un coeficiente que sirve para normalizar la distribucin ya que se trunca cuando la medicin es igual al valor ideal. 06/08/2014 12 Universidad Nacional de Ingeniera | IEEE INTERCON 2011, Lima, Per Objetos Inesperados 06/08/2014 13 Universidad Nacional de Ingeniera | IEEE INTERCON 2011, Lima, Per Errores en la medicin. Esto tipo de error se da cuando el eco emitido por el sensor se pierde en el proceso de medicin y por defecto el sensor devuelve el rango mximo que es capaz de medir. La ocurrencia de este error es frecuente, y su distribucin es puntual en el mximo valor que puede devolver el sensor. 06/08/2014 14 Universidad Nacional de Ingeniera | IEEE INTERCON 2011, Lima, Per Errores en la medicin. 06/08/2014 15 Universidad Nacional de Ingeniera | IEEE INTERCON 2011, Lima, Per Mediciones Aleatorias. Algunas veces, la informacin brindada por el sensor, no posee una explicacin directa, por ejemplo esto se da cuando se perciben medidas fantasma, o cuando se percibe la seal enviada por otro sensor. Este error es modelado como una distribucin uniforme a lo largo de todo el rango de medicin. 06/08/2014 16 Universidad Nacional de Ingeniera | IEEE INTERCON 2011, Lima, Per Mediciones Aleatorias. 06/08/2014 17 Universidad Nacional de Ingeniera | IEEE INTERCON 2011, Lima, Per OBTENCIN DEL MODELO Nuestro modelo contempla la fusin de los cuatro modelos mencionados anteriormente, por lo que se necesitan hallar coeficientes que expresen la influencia de cada uno de ellos en nuestro sensor en particular. Para estimar los coeficientes de proporcin y parmetros intrnsecos de usara un estimador de mxima verosimilitud 06/08/2014 18 Universidad Nacional de Ingeniera | IEEE INTERCON 2011, Lima, Per OBTENCIN DEL MODELO Herramientas utilizadas: Sensor SRF02
Microcontroaldor MBED
Software MATLAB. 06/08/2014 19 Universidad Nacional de Ingeniera | IEEE INTERCON 2011, Lima, Per OBTENCIN DEL MODELO 06/08/2014 20 El microcontrolador MBED fue usado para hacer de interfaz entre el sensor SRF02 y el computador. La data obtenida fue procesada en el software MATLAB, usando el algoritmo antes mencionado. El modelo generado fue graficado usando las herramientas que proporciona MATLAB. Universidad Nacional de Ingeniera | IEEE INTERCON 2011, Lima, Per OBTENCIN DEL MODELO 06/08/2014 21 0 1 2 3 4 5 6 0 50 100 150 200 250 300 350 400 450 500 Universidad Nacional de Ingeniera | IEEE INTERCON 2011, Lima, Per OBTENCIN DEL MODELO 06/08/2014 22 1 2 3 4 5 6 0.05 0.1 0.15 0.2 0.25 0.3 0.35 0.4 Universidad Nacional de Ingeniera | IEEE INTERCON 2011, Lima, Per OBTENCIN DEL MODELO. Para minimizar la carga computacional, se linealiz la variacin de la desviacin estndar con la distancia.
06/08/2014 23 40 60 80 100 120 140 160 180 1.5 2 2.5 3 3.5 4 4.5 5 5.5 Rango de medicin en cm. D e s v i a c i o n
E s t a n d d a r
e n
c m . Universidad Nacional de Ingeniera | IEEE INTERCON 2011, Lima, Per APLICACIONES. El modelo probabilstico de un sensor, adems de describir el comportamiento de un sensor, tiene aplicaciones en la localizacin de robots mviles, ya que estos en su mayora siguen la morfologa del teorema de bayes, el cul enuncia, que es posible estimar un estado posterior, si se conoce el estado anterior y su versomilitud. 06/08/2014 24 Universidad Nacional de Ingeniera | IEEE INTERCON 2011, Lima, Per APLICACIONES. El modelo obtenido debido a que contempla las mediciones provenientes de objetos desconocidos, puede ser usado para realizar tcnicas de localizacin en ambientes dinmicos. El procesamiento fue simplificado realizando el clculo correspondiente a la distribucin gaussiana definiendo una tabla de ordenadas de la distribucin estndar en la memoria del microcontroaldor. 06/08/2014 25 Universidad Nacional de Ingeniera | IEEE INTERCON 2011, Lima, Per APLICACIONES. Se realizo un filtro de partculas, con 400 partculas, definiendo como conocido el punto de partida del robot, y usando el modelo de sensor obtenido. Se gener el mapa de un pasadizo, pero se adicion un objeto desconocido en la simulacin. El algoritmo fue procesado en el microcontrolador y enviado al computador detectando el objeto desconocido sin perder su trayectoria. 06/08/2014 26 Universidad Nacional de Ingeniera | IEEE INTERCON 2011, Lima, Per APLICACIONES. 06/08/2014 27 Corobot (unidad mvil diferencial) modelado en SolidWorks Universidad Nacional de Ingeniera | IEEE INTERCON 2011, Lima, Per APLICACIONES. 06/08/2014 28 Universidad Nacional de Ingeniera | IEEE INTERCON 2011, Lima, Per APLICACIONES 06/08/2014 29 0 20 40 60 80 100 120 10 20 30 40 50 60 70 80 90 100 sensor 1 :22.5622sensor 2 :26.8358 Universidad Nacional de Ingeniera | IEEE INTERCON 2011, Lima, Per Conclusiones. El modelamiento probabilstico de sensores, me permite mejorar la calidad de la informacin brindada, e interpretar de una manera matemtica la incertidumbre inherente en ellos. Se present una forma de implementar un modelo que admite ambientes dinmicos, usando ciertas simplificaciones en el procesamiento. 06/08/2014 30 Universidad Nacional de Ingeniera | IEEE INTERCON 2011, Lima, Per GRACIAS POR SU ATENCIN. 06/08/2014 31