Teleoperation system is an important tool to control a device or model in an isolated area remotely where the operator cannot perform the task locally. The vast majority of teleoperation systems provides the operator with visual and haptic control to accomplish the assignment as naturally as possible. However, on a teleoperation system with considerable distance, the time delay could cause a drop in performance. This thesis aims to minimize delay problem by implementing a prediction approach using Kalman Filter. Kalman Filter algorithm has been widely used to estimate user movement for tracking systems. Kalman filter provides an efficient mechanism to predict future state based on Bayesian estimation to sequentially predict future states and measure an actual system to update system parameters. The primary objective of this work is to extract information generated by our prototyping model and visualizing the data to reflect the performance of the system. We use Phantom Omni devices and 3D arm as a model. Different type of Kalman filter algorithms is used to test the accuracy and performance of predicted state generated by the filter. The result shows that the implementation of Extended Kalman Filter (EKF) and smoothing function could overcome the networking delay on certain degrees. The comparison shows that the EKF has better accuracy and performance compared to Unscented Kalman Filter (UKF) when estimating the future state. Additionally, the implementation of smoothing function could improve the stability of teleoperation system. / Teleoperation systemet är ett viktigt verktyg för att styra en enhet eller modell i ett isolerat område på distans där operatören inte kan utföra uppgiften lokalt. De allra flesta av teleoperation system ger föraren visuell och haptisk kontroll för att utföra uppdraget så naturligt som möjligt. Men på en teleoperation system med stort avstånd, kan tidsfördröjningen medföra en nedgång i prestanda. Denna avhandling syftar till att minimera förseningar problem genom att implementera en förutsägelse tillvägagångssätt med Kalman Filter. Kalman filteralgoritm har i stor utsträckning används för att uppskatta användarens rörlighet för spårning. Kalman filter ger en effektiv mekanism för att förutsäga framtida stat grundad på Bayesian uppskattningen att sekventiellt förutsäga framtida tillstånd och mäta ett verkligt system för att uppdatera systemparametrar. Det primära syftet med detta arbete är att extrahera information som genereras av vår prototypmodell och visualisera data för att återspegla systemets prestanda. Vi använder Phantom Omni enheter och 3D-arm som en modell. Olika typer av Kalman filter algoritmer används för att testa riktigheten och prestandan hos förutsagda tillståndet genereras av filtret. Resultatet visar att genomförandet av Extended Kalman filter (EKF) och utjämningsfunktionen kan övervinna nätverk dröjsmålsvissa grader. Jämförelsen visar att EKF har bättre noggrannhet och prestanda jämfört med Unscented Kalman Filter (UKF) vid bedömningen av framtida tillstånd. Dessutom, genomförandet av utjämningsfunktionen skulle kunna förbättra stabiliteten hos teleoperation systemet.
Identifer | oai:union.ndltd.org:UPSALLA1/oai:DiVA.org:kth-189155 |
Date | January 2016 |
Creators | Rufianto, Muhammad Haky |
Publisher | KTH, Skolan för datavetenskap och kommunikation (CSC) |
Source Sets | DiVA Archive at Upsalla University |
Language | English |
Detected Language | Swedish |
Type | Student thesis, info:eu-repo/semantics/bachelorThesis, text |
Format | application/pdf |
Rights | info:eu-repo/semantics/openAccess |
Page generated in 0.0119 seconds