Modelo Probabilístico para Sensor de Ultrasonido de Bajo

Modelo Probabilstico para Sensor de
Ultrasonido de bajo Costo Aplicado a

la Localizacin de Robots Mviles en
Ambientes Dinmicos
Bach. Robinson Lpez Monzn
Universidad Nacional de Ingeniera | IEEE INTERCON 2011, Lima, Per
Per
INDICE
Introduccin.
Marco Terico.
Obtencin del Modelo.
Herramientas Utilizadas.
Parte experimental
Aplicaciones.
06/08/2014 2
INTRODUCCIN
En el presente artculo se describe un estudio
sobre uno de los modelos probabilsticos ms
estudiados y adaptados a sensores de ultrasonido
de bajo costo, con la finalidad de aumentar la
calidad de informacin brindada por el sensor y
poder implementar algoritmos de localizacin, en
ambientes dinmicos.
06/08/2014 3
Por qu probabilidades?
Los sistemas robticas estn situados en un
mundo fsico que est sujeto a una enorme
incertidumbre.
Los ambientes robticos son inherentemente
impredecibles.

06/08/2014 4
Por qu probabilidades?
Las probabilidades me permiten, al contrario de
establecer un simple mejor acierto, representar
la informacin a travs de una distribucin de
probabilidad sobre un espacio completo de
opciones.
Esto me permite expresar la incertidumbre y el
grado de verosimilitud de una forma ms
matemtica.
06/08/2014 5
Ambientes Dinmicos.
06/08/2014 6
Almacenes Oficinas
Marco Terico
Los modelos de medicin comprenden uno de los
dominios del modelamiento en robtica.
Los modelos de medicin de describen el proceso
de formacin por el cual las mediciones son
generadas en el mundo real.
La robtica modela explcitamente el ruido en los
sensores, como por ejemplo la incertidumbre
intrnseca de los mismos.
06/08/2014 7
Marco Terico
El modelo probabilstico que veremos, es el beam
model, planteado por S.Thrun, que parte
directamente de una interpretacin fsica del
sensor, dividiendo las fuentes de inexactitud en el
sensor en cuatro:
Medicin correcta con ruido local.
Objetos Inesperados.
Errores en la medicin.
Mediciones aleatorias.
06/08/2014 8
Debido a que no existe relacin en el ruido presente en las
medidas, es decir podemos decir que la influencia del
ruido en cada medicin es independiente y estocstica, es
por ello que este ruido en la medicin es usualmente
modelado por una distribucin Gaussiana estrecha, con
media en la medida ideal, hallada haciendo ray casting y
una desviacin estndar intrnseca del sensor.
06/08/2014 9
06/08/2014 10
Objetos Inesperados.
Los ambientes donde se desempean los robots
mviles son dinmicos, pero por el contrario los
mapas son estticos, por lo tanto la aparicin de
objetos no descritos en el mapa conllevar a
mediciones sorpresivas.
Estos objetos no modelados, tienen la
particularidad que siempre reflejan una medicin
menor a la real.
06/08/2014 11
Objetos Inesperados
Matemticamente esta relacin disminuye de
forma exponencial .

es un coeficiente intrnseco del sensor.
El denominador de la ecuacin es un coeficiente
que sirve para normalizar la distribucin ya que se
trunca cuando la medicin es igual al valor ideal.
06/08/2014 12
Objetos Inesperados
06/08/2014 13
Esto tipo de error se da cuando el eco emitido por
el sensor se pierde en el proceso de medicin y
por defecto el sensor devuelve el rango mximo
que es capaz de medir.
La ocurrencia de este error es frecuente, y su
distribucin es puntual en el mximo valor que
puede devolver el sensor.
06/08/2014 14
06/08/2014 15
Mediciones Aleatorias.
Algunas veces, la informacin brindada por el
sensor, no posee una explicacin directa, por
ejemplo esto se da cuando se perciben medidas
fantasma, o cuando se percibe la seal enviada
por otro sensor.
Este error es modelado como una distribucin
uniforme a lo largo de todo el rango de medicin.
06/08/2014 16
Mediciones Aleatorias.
06/08/2014 17
OBTENCIN DEL MODELO
Nuestro modelo contempla la fusin de los cuatro
modelos mencionados anteriormente, por lo que
se necesitan hallar coeficientes que expresen la
influencia de cada uno de ellos en nuestro sensor
en particular.
Para estimar los coeficientes de proporcin y
parmetros intrnsecos de usara un estimador de
mxima verosimilitud
06/08/2014 18
OBTENCIN DEL MODELO
Herramientas utilizadas:
Sensor SRF02

Microcontroaldor MBED

Software MATLAB.
06/08/2014 19
OBTENCIN DEL MODELO
06/08/2014 20
El microcontrolador MBED fue usado para hacer de
interfaz entre el sensor SRF02 y el computador.
La data obtenida fue procesada en el software
MATLAB, usando el algoritmo antes mencionado.
El modelo generado fue graficado usando las
herramientas que proporciona MATLAB.
OBTENCIN DEL MODELO
06/08/2014 21
0 1 2 3 4 5 6
0
50
100
150
200
250
300
350
400
450
500
OBTENCIN DEL MODELO
06/08/2014 22
1 2 3 4 5 6
0.05
0.1
0.15
0.2
0.25
0.3
0.35
0.4
OBTENCIN DEL MODELO.
Para minimizar la carga computacional, se
linealiz la variacin de la desviacin estndar con
la distancia.

06/08/2014 23
40 60 80 100 120 140 160 180
1.5
2
2.5
3
3.5
4
4.5
5
5.5
Rango de medicin en cm.
D
e
s
v
i
a
c
i
o
n

E
s
t
a
n
d
d
a
r

e
n

c
m
.
APLICACIONES.
El modelo probabilstico de un sensor, adems de
describir el comportamiento de un sensor, tiene
aplicaciones en la localizacin de robots mviles,
ya que estos en su mayora siguen la morfologa
del teorema de bayes, el cul enuncia, que es
posible estimar un estado posterior, si se conoce
el estado anterior y su versomilitud.
06/08/2014 24
APLICACIONES.
El modelo obtenido debido a que contempla las
mediciones provenientes de objetos
desconocidos, puede ser usado para realizar
tcnicas de localizacin en ambientes dinmicos.
El procesamiento fue simplificado realizando el
clculo correspondiente a la distribucin
gaussiana definiendo una tabla de ordenadas de
la distribucin estndar en la memoria del
microcontroaldor.
06/08/2014 25
APLICACIONES.
Se realizo un filtro de partculas, con 400 partculas,
definiendo como conocido el punto de partida del
robot, y usando el modelo de sensor obtenido.
Se gener el mapa de un pasadizo, pero se adicion
un objeto desconocido en la simulacin.
El algoritmo fue procesado en el microcontrolador y
enviado al computador detectando el objeto
desconocido sin perder su trayectoria.
06/08/2014 26
APLICACIONES.
06/08/2014 27
Corobot (unidad mvil diferencial) modelado en SolidWorks
APLICACIONES.
06/08/2014 28
APLICACIONES
06/08/2014 29
0 20 40 60 80 100 120
10
20
30
40
50
60
70
80
90
100
sensor 1 :22.5622sensor 2 :26.8358
Conclusiones.
El modelamiento probabilstico de sensores, me
permite mejorar la calidad de la informacin
brindada, e interpretar de una manera
matemtica la incertidumbre inherente en ellos.
Se present una forma de implementar un
modelo que admite ambientes dinmicos, usando
ciertas simplificaciones en el procesamiento.
06/08/2014 30
GRACIAS POR SU ATENCIN.
06/08/2014 31

Modelo Probabilístico para Sensor de Ultrasonido de Bajo

Încărcat de

Informații document

Titlu original

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Modelo Probabilístico para Sensor de Ultrasonido de Bajo

Încărcat de

Drepturi de autor:

Formate disponibile

Modelo Probabilstico para Sensor de

Ultrasonido de bajo Costo Aplicado a

S-ar putea să vă placă și