Estimador de estados para robô diferencial

Abstract

Nesta dissertação é apresentada a comparação do desempenho de três estimadores - o Filtro de Kalman Estendido, o Filtro de Kalman Unscented e o Filtro de Partículas - aplicados para estimar a postura de um robô diferencial. Uma câmera foi fixa no teto para cobrir todo o campo operacional do robô durante os experimentos, a fim de extrair o mapa e gerar o ground truth. Isso permitiu realizar uma análise do erro de forma precisa a cada instante de tempo. O desempenho de cada um dos estimadores foi avaliado sistematicamente e numericamente para duas trajetórias. Os resultados desse primeiro experimento demonstram que os filtros proporcionam grandes melhorias em relação à odometria e que o modelo dos sensores é crítico para obter esse desempenho. O Filtro de Partículas mostrou um desempenho melhor em relação aos demais nos dois percursos. No entanto, seu elevado custo computacional dificulta sua implementação em uma aplicação de tempo real. O Filtro de Kalman Unscented, por sua vez, mostrou um desempenho semelhante ao Filtro de Kalman Estendido durante a primeira trajetória. Porém, na segunda trajetória, a qual possui uma quantidade maior de curvas, o Filtro de Kalman Unscented mostrou uma melhora significativa em relação ao Filtro de Kalman Estendido. Foi realizado um segundo experimento, em que o robô planeja e executa duas trajetórias. Os resultados obtidos mostraram que o robô consegue chegar a um determinado local com uma precisão da mesma ordem de grandeza do que a obtida durante a estimação de estados do robô.

In this dissertation, the performance of three nonlinear-model based estimators - the Extended Kalman Filter, the Unscented Kalman Filter and the Particle Filter - applied to pose estimation of a differential drive robot is compared. A camera was placed above the operating field of the robot to record the experiments in order to extract the map and generate the ground truth so the evaluation of the error can be done at each time step with high accuracy. The performance of each estimator is assessed systematically and numerically for two robot trajectories. The first experimental results showed that all estimators provide large improvements with respect to odometry and that the sensor modeling is critical for their performance. The particle filter showed a better performance than the others on both experiments, however, its high computational cost makes it difficult to implement in a real-time application. The Unscented Kalman Filter showed a similar performance to the Extended Kalman Filter during the first trajectory. However, during the second one (a curvier path) the Unscented Kalman Filter showed a significant improvement over the Extended Kalman Filter. A second experiment was carried out where the robot plans and executes a trajectory. The results showed the robot can reach a predefined location with an accuracy of the same order of magnitude as the obtained during the robot pose estimation.