CONTRIBUIÇÕES AO PROBLEMA DE LOCALIZAÇÃO PARA VEÍCULOS TERRESTRES NÃO TRIPULADOS
Localização
Navegação
Inteligência Computacional
A localização de robôs móveis é uma tarefa complexa, principalmente em ambi-
entes indoor não estruturados, devido à ruídos de medição e associações incorretas
entre a percepção e o mapa do ambiente. Portanto, a quantificação da incerteza
sobre a pose constitui uma parte fundamental dos métodos de localização. O proce-
dimento de localização torna-se crítico quando o robô possui baixa confiança sobre
sua última estimativa de pose, situação que requer um procedimento de localização
global. Uma abordagem intuitiva para resolver o Problema da Localização Global
(PLG) é distribuir várias hipóteses de pose ao longo do mapa e selecionar a mais
provável de acordo com alguma heurística de otimização, como o método de Monte
Carlo, Inteligência de Enxame ou Algoritmo Evolutivo, por exemplo. No entanto, as
limitações de hardware e as características do ambiente podem afetar a eficácia da
localização. Além disso, a literatura recente dispõe de poucos estudos explorando a
eficácia e o custo computacional de diferentes métodos de localização sob cenários
diversos, como escritórios, corredores e grandes armazéns, apenas para citar alguns
exemplos. Neste contexto, este trabalho propõe duas contribuições ao algoritmo de
localização Perfect Match (PM): aprimoramento da estimação da incerteza sobre a
pose e incorporação do PLG. O PM é um algoritmo de rastreamento de pose que
utiliza a abordagem de scan-to-map matching e se destaca pelo seu custo-benefício,
pois apresenta alta precisão e baixo custo computacional. Entretanto, devido a
natureza do algoritmo, a localização global não tem o mesmo desempenho que o
rastreamento de pose. Além disso, a estimação da incerteza sobre a pose poderia ser
aprimorada, visto que baseia-se apenas em características do mapa. A magnitude
do erro de matching, informação relevante para indicar a qualidade da pose esti-
mada, não é levada em consideração pelas implementações do PM disponíveis na
literatura. Portanto, os resultados apresentados neste trabalho mostram que, nos ce-
nários selecionados, a quantificação da incerteza sobre a pose pelo método proposto
neste trabalho sugere ser mais adequada do que o PM com seu método original.
Em relação ao PLG, diferentes heurísticas de otimização baseadas em Algoritmos
Evolucionários e Inteligência de Enxame foram utilizadas de forma colaborativa com
o PM, sendo elas: Particle Swarm Optimization (PSO), Differential Evolution (DE)
e Genetic Algoritm (GA). Usando simulações e experimentos reais, foram obtidos a
taxa de sucesso e custo de computação usando diferentes tamanhos da população de
partículas. Resultados mostram que os métodos propostos apresentam desempenhos
diferentes para cenários distintos, mas aqueles baseados em GA e PSO apresentaram
uma taxa média de sucesso acima de 83%, enquanto outros métodos não atingiram
80%.