none

Ce mémoire concerne les techniques d'indexation dans des bases d'image, ainsi que les méthodes de localisation en robotique mobile. Il fait le lien entre les travaux en Perception du pôle Robotique et Intelligence Artificielle du LAAS-CNRS, et les recherches sur la fouille de données menées à l'Université de Rabat. Depuis une dizaine d'années, la vision est devenue une source de données sensorielles essentielles sur les robots mobiles: elle fournit en particulier des représentations de l'environnement dans lequel doit se déplacer un robot sous la forme de modèles géométriques ou de modèles fondés sur l'apparence. Concernant la vision, seules les représentations fondées sur l'apparence ont été considérées; elles consistent en une base d'images acquises lors de déplacements effectués de manière supervisée durant une phase d'apprentissage. Le robot se localise en recherchant dans la base d'images, celle qui ressemble le plus à l'image courante: les techniques exploitées pour ce faire sont des méthodes d'indexation, similaires à celles exploitées en fouille de données sur Internet par exemple. Nous proposons une approche fondés sur des points d'intérêt extraits d'images en couleur texturées. Par ailleurs, nous présentons une technique de navigation par RFID (Radio Frequency IDentifier) qui utilise la méthode MonteCarlo, appliquée soit de manière intuitive, soit de manière formelle. Enfin, nous donnons des résultats très préliminaires sur la combinaison d'une perception par capteurs RFID et par capteurs visuels afin d'améliorer la précision de la localisation du robot mobile. / This document is related both to indexing methods in image data bases and to localization methods used in mobile robotics. It exploits the relationships between research works on Perception made in the Robotics department of LAAS-CNRS in Toulouse, and on Data Mining performed by the LIMAIARF lab at the Rabat University. Computer Vision has become a major source of sensory data on mobile robots for about ten years; it allows to build especially representations of the environment in which a robot has to execute motions, either by geometrical maps or by appearance-based models. Concerning computer vision, only appearance-based representations have been studied; they consist on a data base of images acquired while the robot is moved in an interactive way during a learning step. Robot self-localization is provided by searching in this data base, the image which looks like the one acquired from the current position: this function is performed from indexing or data mining methods, similar to the ones used on Internet. It is proposed an indexing method based on interest points extracted from color and textured images. Moreover, geometrical representations are also considered for an RFID-based navigation method, based on particle filtering, used either in a classical formal way or with a more intuitive approach. Finally, very preliminar results are described on a multi-sensory approach using both Vision and RFID tags in order to improve the accuracy on the robot localization

The thesis is focused on design of self-location and navigation of small mobile robot inside buildings. It contents a description of collecting and processing data from laser scanner and their application for wall following algorithms. Designed algorithm was tested on real mobile robot. It describes system of visual tags and algorithms for their detection and decoding. Visual tags are used for indication of checkpoints used for navigation of mobile robot. It also describes method for route planning between this checkpoints.

Construir um robô capaz de realizar tarefas sem qualquer interferência humana é um dos maiores desafios da Robótica Move!. Dispondo apenas de sensores, um robô autônomo precisa explorar ambientes desconhecidos e, simultaneamente, construir um mapa confiável a fim de se localizar e realizar a tarefa. Na presença de erros de odometria, o robô não consegue se auto-localizar corretamente em seu mapa interno e acaba por construir um mapa deformado e não condizente com a realidade. Este trabalho apresenta uma solução para o problema da auto-localização de robô moveis autônomos. Esta solução faz use de um método linear de calculo de estimativas chamado Filtro de Kalman para corrigir a posição do robô em seu mapa intern° do ambiente enquanto realiza a exploração. A proposta leva em consideração que toda entidade que se movimenta em um ambiente conta sempre com alguns pontos de referencia para se localizar. Estes pontos são implementados como objetos especiais chamados marcas de Kalman. Em simulação, o reconhecimento das marcas pode ser feito de duas maneiras: através de sua posição no mapa ou através de sua identidade. Nos experimentos realizados em simulação, o método é testado para diferentes erros no angulo de orientação do robô. Os resultados são comparados levando em consideração as deformações no mapa gerado, com e sem marcas de Kalman, e o erro médio da posição do robô durante todo o processo exploratório. / Build a robot capable of performing tasks without any human interference is one of the biggest challenges of the Mobile Robotics. Having only sensors, an autonomous robot needs to explore unknown environments and, simultaneously, build a reliable map in order to get its own location and perform the task. In the presence of odometry errors, the robot is not capable of establish its own position on its internal map and ends up building a deformed map that does not reflect reality. This paper presents a solution for the problem of self-localization of autonomous mobile robots. This solution uses a linear method for calculating estimatives called Kalman Filter to correct the robot's position on its internal mapping of the environment while exploring. The proposal considers that any being that moves in an environment always counts on having some reference points to establish its own position. This points are implemented as special objects called Kalman landmarks. In simulation, the recognition of such landmarks can be done in two different ways: through its position on the map or through its identity. In the experiments performed in simulations, the method is tested for different errors in the robot's inclination angle. The results are compared considering the deformations on the generated map, with and without the Kalman landmarks, and the average error of the robot's position during the exploratory process.

Construir um robô capaz de realizar tarefas sem qualquer interferência humana é um dos maiores desafios da Robótica Move!. Dispondo apenas de sensores, um robô autônomo precisa explorar ambientes desconhecidos e, simultaneamente, construir um mapa confiável a fim de se localizar e realizar a tarefa. Na presença de erros de odometria, o robô não consegue se auto-localizar corretamente em seu mapa interno e acaba por construir um mapa deformado e não condizente com a realidade. Este trabalho apresenta uma solução para o problema da auto-localização de robô moveis autônomos. Esta solução faz use de um método linear de calculo de estimativas chamado Filtro de Kalman para corrigir a posição do robô em seu mapa intern° do ambiente enquanto realiza a exploração. A proposta leva em consideração que toda entidade que se movimenta em um ambiente conta sempre com alguns pontos de referencia para se localizar. Estes pontos são implementados como objetos especiais chamados marcas de Kalman. Em simulação, o reconhecimento das marcas pode ser feito de duas maneiras: através de sua posição no mapa ou através de sua identidade. Nos experimentos realizados em simulação, o método é testado para diferentes erros no angulo de orientação do robô. Os resultados são comparados levando em consideração as deformações no mapa gerado, com e sem marcas de Kalman, e o erro médio da posição do robô durante todo o processo exploratório. / Build a robot capable of performing tasks without any human interference is one of the biggest challenges of the Mobile Robotics. Having only sensors, an autonomous robot needs to explore unknown environments and, simultaneously, build a reliable map in order to get its own location and perform the task. In the presence of odometry errors, the robot is not capable of establish its own position on its internal map and ends up building a deformed map that does not reflect reality. This paper presents a solution for the problem of self-localization of autonomous mobile robots. This solution uses a linear method for calculating estimatives called Kalman Filter to correct the robot's position on its internal mapping of the environment while exploring. The proposal considers that any being that moves in an environment always counts on having some reference points to establish its own position. This points are implemented as special objects called Kalman landmarks. In simulation, the recognition of such landmarks can be done in two different ways: through its position on the map or through its identity. In the experiments performed in simulations, the method is tested for different errors in the robot's inclination angle. The results are compared considering the deformations on the generated map, with and without the Kalman landmarks, and the average error of the robot's position during the exploratory process.

Construir um robô capaz de realizar tarefas sem qualquer interferência humana é um dos maiores desafios da Robótica Move!. Dispondo apenas de sensores, um robô autônomo precisa explorar ambientes desconhecidos e, simultaneamente, construir um mapa confiável a fim de se localizar e realizar a tarefa. Na presença de erros de odometria, o robô não consegue se auto-localizar corretamente em seu mapa interno e acaba por construir um mapa deformado e não condizente com a realidade. Este trabalho apresenta uma solução para o problema da auto-localização de robô moveis autônomos. Esta solução faz use de um método linear de calculo de estimativas chamado Filtro de Kalman para corrigir a posição do robô em seu mapa intern° do ambiente enquanto realiza a exploração. A proposta leva em consideração que toda entidade que se movimenta em um ambiente conta sempre com alguns pontos de referencia para se localizar. Estes pontos são implementados como objetos especiais chamados marcas de Kalman. Em simulação, o reconhecimento das marcas pode ser feito de duas maneiras: através de sua posição no mapa ou através de sua identidade. Nos experimentos realizados em simulação, o método é testado para diferentes erros no angulo de orientação do robô. Os resultados são comparados levando em consideração as deformações no mapa gerado, com e sem marcas de Kalman, e o erro médio da posição do robô durante todo o processo exploratório. / Build a robot capable of performing tasks without any human interference is one of the biggest challenges of the Mobile Robotics. Having only sensors, an autonomous robot needs to explore unknown environments and, simultaneously, build a reliable map in order to get its own location and perform the task. In the presence of odometry errors, the robot is not capable of establish its own position on its internal map and ends up building a deformed map that does not reflect reality. This paper presents a solution for the problem of self-localization of autonomous mobile robots. This solution uses a linear method for calculating estimatives called Kalman Filter to correct the robot's position on its internal mapping of the environment while exploring. The proposal considers that any being that moves in an environment always counts on having some reference points to establish its own position. This points are implemented as special objects called Kalman landmarks. In simulation, the recognition of such landmarks can be done in two different ways: through its position on the map or through its identity. In the experiments performed in simulations, the method is tested for different errors in the robot's inclination angle. The results are compared considering the deformations on the generated map, with and without the Kalman landmarks, and the average error of the robot's position during the exploratory process.

Work deal about self-organizing maps, especially about Kohonen self-organizing map. About creating of aplication, which realize creating and learning of self-organizing map. And about usage of self-organizing map for self-localization of robot.

A demanda por mais flexibilidade nas fábricas e serviços originou um aumento no volume de operações internas de carga e descarga, devido à maior diversidade dos elementos transportados. Logo, na busca por um fluxo de materiais mais eficiente, as empresas passaram a investir em soluções tecnológicas, entre elas, o uso de Automated Guided Vehicles (AGVs), por conta do custo mais atrativo e do avanço em relação aos primeiros AGVs, que até então dependiam de uma infraestrutura adicional para suportar a navegação. Muitos AGVs modernos possuem movimentação livre e são orientados por sistemas que utilizam sensores para interpretar o ambiente, sendo assim, tornar os AGVs autônomos despertou o interesse de pesquisadores na área de robótica móvel para o desenvolvimento de sistemas capazes de auxiliar e coordenar a navegação. Novas técnicas de localização, tal como a localização baseada em marcadores reflexivos, e a construção de armazéns com layouts estruturados para a navegação viabilizaram o uso de AGVs autônomos, entretanto sua utilização em armazéns existentes ainda é um desafio. Neste contexto, o Laboratório de Robótica Móvel (LabRom) do Grupo de Mecatrônica da EESC/USP, através do projeto do Armazém Inteligente, tem pesquisado os problemas de: roteamento, gerenciamento das baterias, navegação e auto-localização. Robôs autônomos precisam de um sistema de auto-localização eficiente e preciso para navegar com segurança, o qual depende de um mapa e da interpretação do ambiente utilizando sensores embarcados. Para alcançar esse objetivo este trabalho propõe um Sistema de Auto-localização baseado no Extended Kalman Filter (EKF) como solução. O sistema, desenvolvido em linguagem C, interage com outros dois sistemas: roteamento e navegação e foi implementado em um armazém simulado utilizando o software Player/Stage, mostrando ser confiável no fornecimento de uma estimativa de localização baseada em odometria e landmarks com localização conhecida. O sistema foi novamente testado utilizando a odometria de um robô móvel Pioneer P3-AT e os valores de um sensor de medição laser 2D SICK LMS200 extraídos de um ambiente indoor real. Para este teste foi construído um feature-based map a partir de um desenho de planta baixa no formato CAD e utilizou-se o algoritmo de segmentação Iterative End-Point Fit (IEPF) para interpretar o ambiente. Os resultados mostraram que as vantagens oferecidas pelas características padronizadas de um ambiente indoor, semelhante a um armazém, podem viabilizar o uso do Sistema de Auto-localização em armazéns existentes. / The demand for more flexibility in factories and services led to an increase in the volume of internal operations of loading and unloading, due to the greater diversity of elements transported. Hence, in the search for a more efficient materials flow, companies went to invest in technology solutions, among them, the use of Automated Guided Vehicles (AGVs), on account of the more attractive cost and improvement over the first AGVs, which hitherto depended of an additional infrastructure to support navigation. Many modern AGVs have free movement and are guided by systems that use sensors to interpret the environment, thus make AGVs autonomous aroused the interest of researchers in the mobile robotics field to development of systems able to assist and coordinate the navigation. New localization techniques, such as localization based on reflective markers, and the construction of warehouses with structured layouts for navigation did feasible the use of autonomous AGVs, however its use in existing warehouses is still a challenge. In this context, the Mobile Robotics Lab (LabRom) of the Mechatronics Group of EESC/USP, through the Intelligent Warehouse Project, has researched the problems: routing, battery management, navigation and self-localization. Autonomous robots need an efficient and accurate self-localization system to safely navigate, which depends on one map and of the interpretation of the environment using embedded sensors. To achieve this goal, this work proposes a Self-Localization System based on the Extended Kalman Filter (EKF) as a solution. The system, developed in C language, interacts with two other systems: routing and navigation and was implemented in a simulated warehouse using the Player/Stage software, showing to be reliable in providing an estimative of localization based on odometry and landmarks with known localization. The system was again tested using the odometry of mobile robot Pioneer P3-AT and the values of a 2D Laser Rangefinder SICK LMS200 extracted from a real indoor environment. For this test was built a feature-based map from a floor plan design in CAD format and was used the segmentation algorithm Iterative End-Point Fit (IEPF) to interpret the environment. The results showed that the advantages offered by the standard features of indoor environment, like a warehouse, can enable the use of the Self-Localization System on the existing warehouses.

Made available in DSpace on 2017-07-21T14:19:25Z (GMT). No. of bitstreams: 1 Andrey Orloski.pdf: 5923583 bytes, checksum: 1a18c76b30193410838467808e3fa40d (MD5) Previous issue date: 2015-09-04 / This paper describes a procedure for self-localization of mobile and autonomous agrobots in greenhouses, that is, the determination of the robot's position relative to a coordinate system,using procedures and computational resources. The proposed procedure uses computer vision techniques to recognize markers objects in the greenhouse and, from them, estimate the coordinate of the robot in a parallel plane to the surface of the stove. The detection of the presence of markers in the scene is performed using the SURF algorithm. To enable the estimation of coordinates, based on data contained in a single image, the method of Rahman et al. (2008), which consists in etermining the distance between a camera and a marker object has been extended to allow the coordinate calculation. The performance of the procedure was evaluated in three experiments. In the first experiment, the objective was to verify, in the laboratory, the influence of image resolution on accuracy. The results indicate that by reducing the image resolution, the range of the process is impaired for the recognition of the markers. These results also show that by reducing the resolution, the error in estimating the coordinates relative to the distance between the camera and the marker increases. The second experiment ran a test that evaluates the computational performance of the SURF algorithm, in terms of computing time, in the image processing. This is important because agrobots usually need to perform tasks that require the processing power in real time. The results of this test indicate that the efficiency of the procedure drops with the increase of image resolution. A second test compared the processing time of two implementations of the algorithm. One explores a sequential version of the SURF algorithm and another uses a parallel implementation. The results of this test suggest that the parallel implementation is more efficient in all tested resolutions, with an almost constant proportionate improvement.The third experiment was performed in a greenhouse to evaluate the performance of the proposed procedure in the environment for which it was designed. Field results were similar to the laboratory, but indicate that lighting variations require parameter settings of the SURF algorithm. / Este trabalho descreve um procedimento para autolocalização de agrobots móveis e autônomos em casas de vegetação. Isto é, a determinação da posição do robô em relação a um sistema de coordenadas, usando procedimentos e recursos computacionais. O procedimento proposto emprega técnicas de visão computacional para reconhecer objetos marcadores na casa de vegetação e, a partir deles, estimar a coordenada do robô em um plano paralelo a superfície da estufa. A detecção da presença dos marcadores na cena é realizada através do algoritmo SURF. Para viabilizar a estimativa das coordenadas, a partir de dados contidos em uma única imagem, o método de Rahman et al. (2008), que consiste em determinar a distância entre uma câmera e um objeto marcador, foi estendido para permitir o cômputo de coordenadas. O desempenho do procedimento proposto foi avaliado em três experimentos. No primeiro experimento, o objetivo foi verificar, em laboratório, a influência da resolução da imagem sobre a precisão. Os resultados indicam que, ao reduzir a resolução da imagem, o alcance do procedimento é prejudicado para reconhecimento dos marcadores. Estes resultados também mostram que, ao reduzir a resolução, o erro na estimativa das coordenadas em relação à distância entre a câmera e o marcador aumenta. O segundo experimento executou um teste que avalia o desempenho computacional do algoritmo SURF, em termos de tempo de computação, no processamento das imagens. Isto é importante pois agrobots usualmente precisam executar tarefas que demandam capacidade de processamento em tempo real. Os resultados deste teste indicam que a eficiência do procedimento cai com o aumento da resolução da imagem. Um segundo teste comparou o tempo de processamento de duas implementações do algoritmo. Uma que explora uma versão sequencial do algoritmo SURF e outra que usa uma implementação paralela. Os resultados deste teste sugerem que a implementação paralela foi mais eficiente em todas as resoluções testadas, apresentando uma melhora proporcional quase constante. O terceiro experimento foi realizado em uma casa de vegetação com objetivo de avaliar o desempenho do procedimento proposto no ambiente para o qual foi projetado. Os resultados de campo se mostraram semelhantes aos do laboratório, mas indicam que variações de iluminação exigem ajustes de parâmetros do algoritmo SURF.

A demanda por mais flexibilidade nas fábricas e serviços originou um aumento no volume de operações internas de carga e descarga, devido à maior diversidade dos elementos transportados. Logo, na busca por um fluxo de materiais mais eficiente, as empresas passaram a investir em soluções tecnológicas, entre elas, o uso de Automated Guided Vehicles (AGVs), por conta do custo mais atrativo e do avanço em relação aos primeiros AGVs, que até então dependiam de uma infraestrutura adicional para suportar a navegação. Muitos AGVs modernos possuem movimentação livre e são orientados por sistemas que utilizam sensores para interpretar o ambiente, sendo assim, tornar os AGVs autônomos despertou o interesse de pesquisadores na área de robótica móvel para o desenvolvimento de sistemas capazes de auxiliar e coordenar a navegação. Novas técnicas de localização, tal como a localização baseada em marcadores reflexivos, e a construção de armazéns com layouts estruturados para a navegação viabilizaram o uso de AGVs autônomos, entretanto sua utilização em armazéns existentes ainda é um desafio. Neste contexto, o Laboratório de Robótica Móvel (LabRom) do Grupo de Mecatrônica da EESC/USP, através do projeto do Armazém Inteligente, tem pesquisado os problemas de: roteamento, gerenciamento das baterias, navegação e auto-localização. Robôs autônomos precisam de um sistema de auto-localização eficiente e preciso para navegar com segurança, o qual depende de um mapa e da interpretação do ambiente utilizando sensores embarcados. Para alcançar esse objetivo este trabalho propõe um Sistema de Auto-localização baseado no Extended Kalman Filter (EKF) como solução. O sistema, desenvolvido em linguagem C, interage com outros dois sistemas: roteamento e navegação e foi implementado em um armazém simulado utilizando o software Player/Stage, mostrando ser confiável no fornecimento de uma estimativa de localização baseada em odometria e landmarks com localização conhecida. O sistema foi novamente testado utilizando a odometria de um robô móvel Pioneer P3-AT e os valores de um sensor de medição laser 2D SICK LMS200 extraídos de um ambiente indoor real. Para este teste foi construído um feature-based map a partir de um desenho de planta baixa no formato CAD e utilizou-se o algoritmo de segmentação Iterative End-Point Fit (IEPF) para interpretar o ambiente. Os resultados mostraram que as vantagens oferecidas pelas características padronizadas de um ambiente indoor, semelhante a um armazém, podem viabilizar o uso do Sistema de Auto-localização em armazéns existentes. / The demand for more flexibility in factories and services led to an increase in the volume of internal operations of loading and unloading, due to the greater diversity of elements transported. Hence, in the search for a more efficient materials flow, companies went to invest in technology solutions, among them, the use of Automated Guided Vehicles (AGVs), on account of the more attractive cost and improvement over the first AGVs, which hitherto depended of an additional infrastructure to support navigation. Many modern AGVs have free movement and are guided by systems that use sensors to interpret the environment, thus make AGVs autonomous aroused the interest of researchers in the mobile robotics field to development of systems able to assist and coordinate the navigation. New localization techniques, such as localization based on reflective markers, and the construction of warehouses with structured layouts for navigation did feasible the use of autonomous AGVs, however its use in existing warehouses is still a challenge. In this context, the Mobile Robotics Lab (LabRom) of the Mechatronics Group of EESC/USP, through the Intelligent Warehouse Project, has researched the problems: routing, battery management, navigation and self-localization. Autonomous robots need an efficient and accurate self-localization system to safely navigate, which depends on one map and of the interpretation of the environment using embedded sensors. To achieve this goal, this work proposes a Self-Localization System based on the Extended Kalman Filter (EKF) as a solution. The system, developed in C language, interacts with two other systems: routing and navigation and was implemented in a simulated warehouse using the Player/Stage software, showing to be reliable in providing an estimative of localization based on odometry and landmarks with known localization. The system was again tested using the odometry of mobile robot Pioneer P3-AT and the values of a 2D Laser Rangefinder SICK LMS200 extracted from a real indoor environment. For this test was built a feature-based map from a floor plan design in CAD format and was used the segmentation algorithm Iterative End-Point Fit (IEPF) to interpret the environment. The results showed that the advantages offered by the standard features of indoor environment, like a warehouse, can enable the use of the Self-Localization System on the existing warehouses.