Tese de mestrado integrado. Engenharia Electrotécnica e de Computadores. Faculdade de Engenharia. Universidade do Porto. 2008

Estágio realizado no Institute of Systems and Robotics-Porto / Tese de mestrado integrado. Engenharia Electrotécnica e de Computadores. Faculdade de Engenharia. Universidade do Porto. 2008

Tese de mestrado integrado. Engenharia Electrotécnica e de Computadores - Major Automação. Faculdade de Engenharia. Universidade do Porto. 2008

O uso de técnicas de Controle Preditivo a um problema de guiamento, baseado no modelo representativo de uma aeronave não tripulada (míssil) em condição real de aplicação e o comparativo do desempenho da técnica clássica de guiamento, Navegação Proporcional, são apresentados neste trabalho. O controlador preditivo empregado determina a sequência de sinais de saída futuros para se alcançar a referência de acordo com os horizontes de controle e predição estabelecidos, substituindo assim as leis de guiamento utilizadas para interceptação que fornecem os comandos para a pilotagem da aeronave. O controlador é implementado no espaço de estados utilizando o modelo linearizado e discretizado da planta, tratando-se de um caso SIMO. O controle dos movimentos do míssil está relacionado ao posicionamento do alvo, que é a referência utilizada pelo controlador. Os parâmetros do controlador preditivo são obtidos empiricamente a partir da análise da influência de cada variável no processo de interceptação. A referência para todo o horizonte de predição é determinada através da obtenção da posição futura do alvo proporcionada pelo uso de algoritmos baseados em filtro de Kalman. A partir das condições reais de operação, ou seja, considerando a existência de ruídos nas medições, o posicionamento atual do alvo é empregado para a determinação de sua localização e velocidade no instante seguinte. O vetor de ganho e as matrizes de covariâncias são calculadas em tempo real, permitindo adaptação do filtro à mudanças no ambiente, tais como variações no erro de medida dos sensores, dependentes da distância do alvo ao sensor. Para os testes realizados, assumiu-se que o movimento do míssil ocorre no plano e é de curta duração. Para fins de validação são realizadas simulações contemplando diferentes cenários. O sistema é avaliado no que diz respeito à capacidade de rejeição a incertezas nas medidas de localização do alvo e robustez para o rastreamento de alvos com movimentos distintos: fixo, velocidade constante e manobrável. Interfaces gráficas são geradas, em ambiente Matlab e, ilustram o resultado obtido em cada um dos cenários considerados.

Este trabalho apresenta uma investigação sobre algumas técnicas de integração de sensores para a estimação dos estados de um dado sistema dinâmico com modelo linear. As abordagens utilizadas são baseadas no filtro de Kalman. São consideradas duas configurações para a integração das informações dos sensores: integração centralizada e integração distribuída. Tais algoritmos consideram incertezas nas redes de comunicação entre os sensores e o sistema de processamento central. Também é investigado um algoritmo de identificação dos ganhos ótimos dos filtros de Kalman, para um sistema de integração distribuída, baseado nas correlações das inovações. Como contribuições, são desenvolvidas expressões para a quantificação dos erros de identificação dos ganhos ótimos dos filtros de Kalman em função dos erros na avaliação das correlações das inovações. De início, são obtidas expressões para o caso em que não existem incertezas nas redes de comunicação e apenas um sensor é considerado. Este resultado é então generalizado para o caso em que existem incertezas nas redes de comunicação e múltiplos sensores são considerados. Todos os algoritmos investigados são apresentados com detalhes de sua derivação e de forma a facilitar a compreensão das técnicas de estimação utilizadas, a teoria de estimação e do filtro de Kalman são brevemente apresentadas. Simulações são utilizadas para avaliar o desempenho dos algoritmos.

Um componente fundamental no sistema de um robô móvel consiste na habilidade de localizar-se acuradamente, o que envolve estimar sua postura em relação a uma representação global do espaço. A especificação geral de uma abordagem de localização baseada em dados sensoriais possui uma estimativa inicial da postura do robô e usa os dados coletados pelos sensores, em conjunto com um mapa do ambiente, para produzir uma estimativa mais precisa da postura, que oferece um valor de maior confiança em relação à postura real do robô. Uma dificuldade é que os dados sensoriais são corrompidos por erros de medidas derivados de diversas fontes, como ruídos, quantização, dispositivos de digitalização, deslizamentos do robô, entre outras. Sensores distintos medem diferentes propriedades físicas, corrompidas por diversos erros de medida. O uso de dados oriundos de vários sensores fornece informação redundante e complementar, que pode ser processada para derivar uma estimativa combinada com o objetivo de aumentar a confiança na estimativa final da postura. Nesta dissertação é proposto ELViS, um sistema que estima a localização de um robô móvel equipado com odômetros, uma câmera de vídeo e um semi-anel frontal de 8 sonares, o qual opera, com sucesso, em um ambiente interno, estruturado e estático. Assume-se que o robô navega sobre uma superfície plana e que diversos segmentos de retas possam ser identificados nas imagens do ambiente. Para aumentar a seletividade dos marcos visuais e diminuir a complexidade computacional no processamento e correspondência dos dados com os modelos, elementos do ambiente são representados por modelos minimalistas, possibilitando o uso do ELViS em um grande número de aplicações onde o custo ou tempo de execução sejam fatores limitantes. ELViS foi implementado e testado utilizando dois estimadores baseados em Filtro de Kalman. Os resultados, obtidos com robôs reais e em simulações, indicam direções bastante promissoras. / A key component of a mobile robot system is the ability to localize itself accurately, which involves estimating its pose with respect to some global representation of space. The general specification of a sensor-based localization approach starts with an initial estimate of the robot\'s pose and uses sensor data in conjunction with a map to produce a refined pose estimate that has an increased confidence about the true pose of the robot. One of the main difficulties is that sensor data is corrupted by measurement errors. These errors can arise from noise, quantization, digitalization artifacts, wheel slippage, and other such sources. Different sensors measure different physical properties, which are corrupted by different sources of measurement errors. The use of data from multiple sensors provides redundant and complementary information that can be processed to obtain a combined estimate aiming at an increase in the confidence of the final pose estimate. In this work we propose ELViS, a system that estimates the localization of a mobile robot equipped with odometers, a video camera and a frontal semi-ring of 8 sonar sensors, and that operates successfully in stationary and structured indoor environments. It is assumed that the robot navigates on flat surfaces and that straight lines can be identified in the environment image acquired by the camera. To increase selectivity of the landmarks and reduce computational complexity in data processing and matching to the map, environment features are represented using minimalist models in the map. This allows the use of ELViS in a large number of applications where tight budget or execution time constraints exist. ELViS has been implemented and tested using two estimators based on the Kalman Filter. The results, obtained with the real robots and in series of simulation runs, indicate promising directions.

Um componente fundamental no sistema de um robô móvel consiste na habilidade de localizar-se acuradamente, o que envolve estimar sua postura em relação a uma representação global do espaço. A especificação geral de uma abordagem de localização baseada em dados sensoriais possui uma estimativa inicial da postura do robô e usa os dados coletados pelos sensores, em conjunto com um mapa do ambiente, para produzir uma estimativa mais precisa da postura, que oferece um valor de maior confiança em relação à postura real do robô. Uma dificuldade é que os dados sensoriais são corrompidos por erros de medidas derivados de diversas fontes, como ruídos, quantização, dispositivos de digitalização, deslizamentos do robô, entre outras. Sensores distintos medem diferentes propriedades físicas, corrompidas por diversos erros de medida. O uso de dados oriundos de vários sensores fornece informação redundante e complementar, que pode ser processada para derivar uma estimativa combinada com o objetivo de aumentar a confiança na estimativa final da postura. Nesta dissertação é proposto ELViS, um sistema que estima a localização de um robô móvel equipado com odômetros, uma câmera de vídeo e um semi-anel frontal de 8 sonares, o qual opera, com sucesso, em um ambiente interno, estruturado e estático. Assume-se que o robô navega sobre uma superfície plana e que diversos segmentos de retas possam ser identificados nas imagens do ambiente. Para aumentar a seletividade dos marcos visuais e diminuir a complexidade computacional no processamento e correspondência dos dados com os modelos, elementos do ambiente são representados por modelos minimalistas, possibilitando o uso do ELViS em um grande número de aplicações onde o custo ou tempo de execução sejam fatores limitantes. ELViS foi implementado e testado utilizando dois estimadores baseados em Filtro de Kalman. Os resultados, obtidos com robôs reais e em simulações, indicam direções bastante promissoras. / A key component of a mobile robot system is the ability to localize itself accurately, which involves estimating its pose with respect to some global representation of space. The general specification of a sensor-based localization approach starts with an initial estimate of the robot\'s pose and uses sensor data in conjunction with a map to produce a refined pose estimate that has an increased confidence about the true pose of the robot. One of the main difficulties is that sensor data is corrupted by measurement errors. These errors can arise from noise, quantization, digitalization artifacts, wheel slippage, and other such sources. Different sensors measure different physical properties, which are corrupted by different sources of measurement errors. The use of data from multiple sensors provides redundant and complementary information that can be processed to obtain a combined estimate aiming at an increase in the confidence of the final pose estimate. In this work we propose ELViS, a system that estimates the localization of a mobile robot equipped with odometers, a video camera and a frontal semi-ring of 8 sonar sensors, and that operates successfully in stationary and structured indoor environments. It is assumed that the robot navigates on flat surfaces and that straight lines can be identified in the environment image acquired by the camera. To increase selectivity of the landmarks and reduce computational complexity in data processing and matching to the map, environment features are represented using minimalist models in the map. This allows the use of ELViS in a large number of applications where tight budget or execution time constraints exist. ELViS has been implemented and tested using two estimators based on the Kalman Filter. The results, obtained with the real robots and in series of simulation runs, indicate promising directions.

O filtro de Kalman estendido tem sido a mais popular ferramenta de filtragem não linear das últimas quatro décadas. É de fácil implementação e apresenta baixo custo computacional. Nos casos nos quais as não linearidades do sistema dinâmico são significativas, porém, o filtro de Kalman estendido pode apresentar resultados insatisfatórios. Nessas situações, o filtro de Kalman unscented substitui com vantagens o filtro de Kalman estendido, pois pode apresentar melhores estimativas de estado, embora ambos os filtros exibam complexidade computacional de mesma ordem. A qualidade das estimativas de estado do filtro unscented está intimamente ligada à sintonia dos parâmetros que controlam a transformada unscented. A versão escalada dessa transformada exibe três parâmetros escalares que determinam o posicionamento dos pontos sigma e, consequentemente, afetam diretamente a qualidade das estimativas produzidas pelo filtro. Apesar da importância do filtro de Kalman unscented, a sintonia ótima desses parâmetros é um problema para o qual ainda não há solução definitiva. Não há nem mesmo recomendações heurísticas que garantam o bom funcionamento do filtro unscented na maior parte dos problemas tratáveis por meio de filtros Gaussianos. Essa carência e a importância desse filtro para a área de filtragem não linear fazem da busca por mecanismos de sintonia automática do filtro unscented área de pesquisa ativa. Assim, este trabalho propõe técnicas para sintonia automática dos parâmetros da transformada unscented escalada. Além da sintonia desses parâmetros, também é abordado o problema de sintonizar as matrizes de covariância dos ruídos de processo e de medida demandadas pelo modelo do sistema dinâmico usado pelo filtro unscented. As técnicas propostas cobrem então a sintonia automática de todos os parâmetros do filtro. / The extended Kalman filter has been the most popular nonlinear filter of the last four decades. It is easy to implement and exhibits low computational cost. When nonlinearities are significant, though, the extended Kalman filter can display poor state estimation performance. In such situations, the unscented Kalman filter can yield better state estimates, while displaying the same order of computational complexity as the extended Kalman filter. The quality of the state estimates produced by the unscented Kalman filter is directly influenced by the tuning of the scalar parameters that govern the unscented transform. The scaled version of the unscented transform features three scalar parameters that determine the positioning of the sigma points, thus directly affecting the filter state estimation performance. Despite the importance of the unscented Kalman filter, the optimal tuning of the scaled unscented transform parameters is still an open problem. This work hence discusses algorithms for the automatic tuning of the unscented transform parameters. The discussion includes the tuning of the needed noise covariance matrices, thus covering the automatic tuning of all parameters of the unscented Kalman filter.

Tese de mestrado integrado. Engenharia Electrotécnica e de Computadores - Major de Automação. Faculdade de Engenharia. Universidade do Porto. 2008

O filtro de Kalman estendido tem sido a mais popular ferramenta de filtragem não linear das últimas quatro décadas. É de fácil implementação e apresenta baixo custo computacional. Nos casos nos quais as não linearidades do sistema dinâmico são significativas, porém, o filtro de Kalman estendido pode apresentar resultados insatisfatórios. Nessas situações, o filtro de Kalman unscented substitui com vantagens o filtro de Kalman estendido, pois pode apresentar melhores estimativas de estado, embora ambos os filtros exibam complexidade computacional de mesma ordem. A qualidade das estimativas de estado do filtro unscented está intimamente ligada à sintonia dos parâmetros que controlam a transformada unscented. A versão escalada dessa transformada exibe três parâmetros escalares que determinam o posicionamento dos pontos sigma e, consequentemente, afetam diretamente a qualidade das estimativas produzidas pelo filtro. Apesar da importância do filtro de Kalman unscented, a sintonia ótima desses parâmetros é um problema para o qual ainda não há solução definitiva. Não há nem mesmo recomendações heurísticas que garantam o bom funcionamento do filtro unscented na maior parte dos problemas tratáveis por meio de filtros Gaussianos. Essa carência e a importância desse filtro para a área de filtragem não linear fazem da busca por mecanismos de sintonia automática do filtro unscented área de pesquisa ativa. Assim, este trabalho propõe técnicas para sintonia automática dos parâmetros da transformada unscented escalada. Além da sintonia desses parâmetros, também é abordado o problema de sintonizar as matrizes de covariância dos ruídos de processo e de medida demandadas pelo modelo do sistema dinâmico usado pelo filtro unscented. As técnicas propostas cobrem então a sintonia automática de todos os parâmetros do filtro. / The extended Kalman filter has been the most popular nonlinear filter of the last four decades. It is easy to implement and exhibits low computational cost. When nonlinearities are significant, though, the extended Kalman filter can display poor state estimation performance. In such situations, the unscented Kalman filter can yield better state estimates, while displaying the same order of computational complexity as the extended Kalman filter. The quality of the state estimates produced by the unscented Kalman filter is directly influenced by the tuning of the scalar parameters that govern the unscented transform. The scaled version of the unscented transform features three scalar parameters that determine the positioning of the sigma points, thus directly affecting the filter state estimation performance. Despite the importance of the unscented Kalman filter, the optimal tuning of the scaled unscented transform parameters is still an open problem. This work hence discusses algorithms for the automatic tuning of the unscented transform parameters. The discussion includes the tuning of the needed noise covariance matrices, thus covering the automatic tuning of all parameters of the unscented Kalman filter.