Esta tese propõe um modelo probabilístico geral para a localização cooperativa de multirrobôs. O problema da localização multirrobôs pode ser definido como: dado um modelo do ambiente, estimar a localização de cada robô em um grupo atuando em um mesmo ambiente, com base nas informações sensoriais oferecidas pelas medidas de odometria, medidas do ambiente e detecções. Detecção é a habilidade de um robô identificar outro e determinar a distância relativa entre eles. A idéia principal da localização cooperativa de multirrobôs consiste em integrar medidas coletadas por diferentes robôs, de modo que todos possam se beneficiar dos dados adquiridos pelos outros robôs do grupo. Desta forma, detecções podem ser usadas para refinar a estimativa de postura de cada robô com base nas estimativas dos outros. Comunicação fornece aos robôs a habilidade de compartilhar suas crenças de postura de forma que possam cooperar para melhorar a acurácia da localização. Aqui é explorado o uso de diferentes tipos de informação para comunicar entre os robôs: propagação da detecção positiva, detecção negativa e multidetecção, os quais são integrados em um novo algoritmo, chamado Localização de Markov para Multirrobôs Cooperativos (LMMC). Também é proposto um protocolo de comunicação para a troca de dados entre os robôs e um conjunto de critérios que possibilitam a redução da comunicação por meio da diminuição da quantidade de dados trocados entre robôs, de um modo eficaz e eficiente. Os experimentos realizados em ambientes simulados demonstram que a abordagem proposta pode conduzir a resultados significativamente melhores de localização quando comparada à abordagem com detecção única e ainda com uma menor quantidade de mensagens trocadas entre os robôs. / In this thesis we propose a general probabilistic model to cooperative multirobot localization. The multirobot localization problem can be stated as follows: given a model of the environment, estimate the location of each robot in a group within the same environment based on sensors information that provides odometric measurements, environment measurements, and detections. Detection is the ability of one robot to identify others and to determine the relative location of other robots relative to its own. The key idea behind the multirobot localization approach is to integrate measurements taken by different robots, so that each one can benefit from data gathered by other robots in a group. In this sense, detections can be used to refine the pose estimates of a robot based on the other\'s estimate. Communication provides robots with the ability to exchange their pose beliefs, so that they can cooperate in order to improve their localization accuracy. We explore the use of different types of information to exchange among robots: propagation of positive detection, negative detection, and multidetection, which are integrated in a new algorithm, called Cooperative Multirobot Markov Localization, CMML. We also contribute a communication protocol that deals with the data transmitted among robots, and a set of communication rules that aims at reducing the amount of data exchanged among robots in an effective and efficient way. Experimental results, carried out in simulated environments, demonstrate that our approach can yield better localization results than a single-detection approach, at significantly smaller communication overhead.

Esta tese propõe um modelo probabilístico geral para a localização cooperativa de multirrobôs. O problema da localização multirrobôs pode ser definido como: dado um modelo do ambiente, estimar a localização de cada robô em um grupo atuando em um mesmo ambiente, com base nas informações sensoriais oferecidas pelas medidas de odometria, medidas do ambiente e detecções. Detecção é a habilidade de um robô identificar outro e determinar a distância relativa entre eles. A idéia principal da localização cooperativa de multirrobôs consiste em integrar medidas coletadas por diferentes robôs, de modo que todos possam se beneficiar dos dados adquiridos pelos outros robôs do grupo. Desta forma, detecções podem ser usadas para refinar a estimativa de postura de cada robô com base nas estimativas dos outros. Comunicação fornece aos robôs a habilidade de compartilhar suas crenças de postura de forma que possam cooperar para melhorar a acurácia da localização. Aqui é explorado o uso de diferentes tipos de informação para comunicar entre os robôs: propagação da detecção positiva, detecção negativa e multidetecção, os quais são integrados em um novo algoritmo, chamado Localização de Markov para Multirrobôs Cooperativos (LMMC). Também é proposto um protocolo de comunicação para a troca de dados entre os robôs e um conjunto de critérios que possibilitam a redução da comunicação por meio da diminuição da quantidade de dados trocados entre robôs, de um modo eficaz e eficiente. Os experimentos realizados em ambientes simulados demonstram que a abordagem proposta pode conduzir a resultados significativamente melhores de localização quando comparada à abordagem com detecção única e ainda com uma menor quantidade de mensagens trocadas entre os robôs. / In this thesis we propose a general probabilistic model to cooperative multirobot localization. The multirobot localization problem can be stated as follows: given a model of the environment, estimate the location of each robot in a group within the same environment based on sensors information that provides odometric measurements, environment measurements, and detections. Detection is the ability of one robot to identify others and to determine the relative location of other robots relative to its own. The key idea behind the multirobot localization approach is to integrate measurements taken by different robots, so that each one can benefit from data gathered by other robots in a group. In this sense, detections can be used to refine the pose estimates of a robot based on the other\'s estimate. Communication provides robots with the ability to exchange their pose beliefs, so that they can cooperate in order to improve their localization accuracy. We explore the use of different types of information to exchange among robots: propagation of positive detection, negative detection, and multidetection, which are integrated in a new algorithm, called Cooperative Multirobot Markov Localization, CMML. We also contribute a communication protocol that deals with the data transmitted among robots, and a set of communication rules that aims at reducing the amount of data exchanged among robots in an effective and efficient way. Experimental results, carried out in simulated environments, demonstrate that our approach can yield better localization results than a single-detection approach, at significantly smaller communication overhead.