Localization of a Mobile Robot with a GPS sensor, using Extended and Unscented Kalman Filters
Φόρτωση...
Ημερομηνία
Συγγραφείς
Rafailidis, Efstathios
Τίτλος Εφημερίδας
Περιοδικό ISSN
Τίτλος τόμου
Εκδότης
Πανεπιστήμιο Ιωαννίνων. Πολυτεχνική Σχολή. Τμήμα Μηχανικών Ηλεκτρονικών Υπολογιστών και Πληροφορικής
Περίληψη
Τύπος
Είδος δημοσίευσης σε συνέδριο
Είδος περιοδικού
Είδος εκπαιδευτικού υλικού
Όνομα συνεδρίου
Όνομα περιοδικού
Όνομα βιβλίου
Σειρά βιβλίου
Έκδοση βιβλίου
Συμπληρωματικός/δευτερεύων τίτλος
Περιγραφή
In a continuously moving forward world, automation is a necessity. As
more and more trivial for humans tasks get assigned to robots, mobile or immobile
ones, their proper function is crucial. The advantages of using a robot instead of
a human are numerous and we go through some of them later in the thesis, but
the main one will always be the casualties. Worst case scenario, an accident
involving only robots will only result in material losses and nothing more, which
makes is infinitely more preferable than an accident involving humans. After
establishing why, we want to use robots, we need to make sure that they are
functioning properly. One of the issues for mobile robots is the problem of their
localization. Better localization means better path planning which means less
accidents and more efficiency for both energy consumption and completing the
task faster. Our thesis tackles the problem of robot localization and tries to find
ways of improving it.
In this thesis we will compare machine learning and two Kalman filter
variations, in order to find the best one for robot localization. We will start our
report with the motive behind our work and what we are trying to achieve. In
the second chapter we focus on the theory behind our methods and in the next
one we present the simulation setup we used. In chapter four, we present our
data, our methodology of processing them and our results, determining the most
accurate method for robot localization. In chapter five, we discuss our conclusions
from our work and suggest future work to further improve our findings.
Καθώς ο κόσμος εξελίσσεται και οι τεχνολογικές εξελίξεις τρέχουν, όλο και περισσότερες δουλειές μπορούν να γίνουν από κάποιο ρομπότ. Από μια τεράστια πολυεθνική εταιρία αυτοκινήτων μέχρι μια τοπική εταιρία συσκευασίας προϊόντων η χρίση ρομπότ για συγκεκριμένες εργασίες βγάζει νόημα από πολλές πλευρές. Ένας βασικός παράγοντας είναι η μείωση του κόστους, ένα ρομπότ μπορεί να συνεχίζει να δουλεύει χωρίς να χρειάζεται να σταματήσει και φυσικά ένα ατύχημα που στο οποίο συμπεριλαμβάνονται μόνο ρομπότ θα έχει μόνο υλικές ζημιές και όχι τον τραυματισμό ή ακόμα χειρότερα την απώλεια κάποιου ανθρώπου. Έχοντας ξεκαθαρίσει την χρησιμότητα των ρομπότ, θέλουμε να εξασφαλίσουμε και την σωστή λειτουργία τους. Στην εργασία που ακολουθεί ασχοληθήκαμε με ένα κινητό ρομπότ και ο στόχος μας ήταν να συγκρίνουμε ένα μοντέλο μηχανικής μάθησης με δύο διαφορετικές παραλλαγές των φίλτρων Kalman, με σκοπό να εντοπίσουμε εκείνη που θα μας έδινε την πιο ακριβή θέση του ρομπότ. Η γνώση της πραγματικής θέσης του ρομπότ, το καθιστά ικανό να σχεδιάζει καλύτερα την πορεία του με αποτέλεσμα να αποφεύγει πιο αποτελεσματικά τυχόν εμπόδια, άψυχα ή έμψυχα. Ο καλύτερος σχεδιασμός της πορείας του ρομπότ δεν έχει σαν μόνο θετικό την αποφυγή συγκρούσεων αλλά και την εξοικονόμηση ενέργειας καθώς δεν θα χρειαστεί κάνει περιττές κινήσεις όταν καταλάβει ότι είναι εκτός πορείας προκυμμένου να ξανά σχεδιάσει την πορεία του αλλά μια κίνηση χωρίς σφάλματα θα βοηθήσει στην περάτωση της αποστολής του συντομότερα. Στο πρώτο κεφάλαιο της εργασίας αναφέρουμε πιο αναλυτικά τα κίνητρα μας καθώς και τους στόχους μας. Κλείνουμε το πρώτο κεφάλαιο δίνοντας μια περίληψη της δομής της εργασίας για την καλύτερη εποπτική εικόνα του αναγνώστη. Στο δεύτερο κεφάλαιο παραθέτουμε την θεωρία πίσω από την μηχανική μάθηση και το συγκεκριμενοποιούμε στην παλινδρόμηση καθώς εκείνη είναι η μέθοδος που χρησιμοποιούμε στην εργασία μας. Στο δεύτερο μισό του κεφαλαίου, παραθέτουμε την θεωρία για τις δύο παραλλαγές των φίλτρων Kalman που χρησιμοποιούμε, το unscented και το extended Kalman φίλτρο. Στο τρίτο κεφάλαιο, αναφέρουμε όλα τα κομμάτια από τα οποία αποτελείτε η διάταξη μας. Στο τρίτο κεφάλαιο ο αναγνώστης θα βρει επίσης και μια περιγραφή των χαρακτηριστικών του ρομπότ που χρησιμοποιήσαμε κατά τις προσομοιώσεις μας. Στο κεφάλαιο τέσσερα, ξεκινάμε με το πώς συλλέξαμε τα δεδομένα μας και τα επεξεργαστήκαμε ώστε να μοιάζουν με πραγματικά δεδομένα που θα λάμβανε κανείς από ένα GPS. Το κεφάλαιο συνεχίζει με τα αποτελέσματα από τις τρεις μεθόδους δίνοντας στον αναγνώστη την απάντηση για το ποια από τις τρεις μεθόδους είναι πιο ακριβής. Το τέταρτο κεφάλαιο, κλείνει με τα πειράματα που κάνουμε εκτός του προσομοιωτή, με σκοπό να βεβαιωθούμε ότι τα φίλτρα Kalman λειτουργούν σωστά. Το τελευταίο κεφάλαιο περιέχει τα συμπεράσματα μας και μελλοντική δουλεία που μπορεί να γίνει για να συνεχιστεί αυτή η εργασία.
Καθώς ο κόσμος εξελίσσεται και οι τεχνολογικές εξελίξεις τρέχουν, όλο και περισσότερες δουλειές μπορούν να γίνουν από κάποιο ρομπότ. Από μια τεράστια πολυεθνική εταιρία αυτοκινήτων μέχρι μια τοπική εταιρία συσκευασίας προϊόντων η χρίση ρομπότ για συγκεκριμένες εργασίες βγάζει νόημα από πολλές πλευρές. Ένας βασικός παράγοντας είναι η μείωση του κόστους, ένα ρομπότ μπορεί να συνεχίζει να δουλεύει χωρίς να χρειάζεται να σταματήσει και φυσικά ένα ατύχημα που στο οποίο συμπεριλαμβάνονται μόνο ρομπότ θα έχει μόνο υλικές ζημιές και όχι τον τραυματισμό ή ακόμα χειρότερα την απώλεια κάποιου ανθρώπου. Έχοντας ξεκαθαρίσει την χρησιμότητα των ρομπότ, θέλουμε να εξασφαλίσουμε και την σωστή λειτουργία τους. Στην εργασία που ακολουθεί ασχοληθήκαμε με ένα κινητό ρομπότ και ο στόχος μας ήταν να συγκρίνουμε ένα μοντέλο μηχανικής μάθησης με δύο διαφορετικές παραλλαγές των φίλτρων Kalman, με σκοπό να εντοπίσουμε εκείνη που θα μας έδινε την πιο ακριβή θέση του ρομπότ. Η γνώση της πραγματικής θέσης του ρομπότ, το καθιστά ικανό να σχεδιάζει καλύτερα την πορεία του με αποτέλεσμα να αποφεύγει πιο αποτελεσματικά τυχόν εμπόδια, άψυχα ή έμψυχα. Ο καλύτερος σχεδιασμός της πορείας του ρομπότ δεν έχει σαν μόνο θετικό την αποφυγή συγκρούσεων αλλά και την εξοικονόμηση ενέργειας καθώς δεν θα χρειαστεί κάνει περιττές κινήσεις όταν καταλάβει ότι είναι εκτός πορείας προκυμμένου να ξανά σχεδιάσει την πορεία του αλλά μια κίνηση χωρίς σφάλματα θα βοηθήσει στην περάτωση της αποστολής του συντομότερα. Στο πρώτο κεφάλαιο της εργασίας αναφέρουμε πιο αναλυτικά τα κίνητρα μας καθώς και τους στόχους μας. Κλείνουμε το πρώτο κεφάλαιο δίνοντας μια περίληψη της δομής της εργασίας για την καλύτερη εποπτική εικόνα του αναγνώστη. Στο δεύτερο κεφάλαιο παραθέτουμε την θεωρία πίσω από την μηχανική μάθηση και το συγκεκριμενοποιούμε στην παλινδρόμηση καθώς εκείνη είναι η μέθοδος που χρησιμοποιούμε στην εργασία μας. Στο δεύτερο μισό του κεφαλαίου, παραθέτουμε την θεωρία για τις δύο παραλλαγές των φίλτρων Kalman που χρησιμοποιούμε, το unscented και το extended Kalman φίλτρο. Στο τρίτο κεφάλαιο, αναφέρουμε όλα τα κομμάτια από τα οποία αποτελείτε η διάταξη μας. Στο τρίτο κεφάλαιο ο αναγνώστης θα βρει επίσης και μια περιγραφή των χαρακτηριστικών του ρομπότ που χρησιμοποιήσαμε κατά τις προσομοιώσεις μας. Στο κεφάλαιο τέσσερα, ξεκινάμε με το πώς συλλέξαμε τα δεδομένα μας και τα επεξεργαστήκαμε ώστε να μοιάζουν με πραγματικά δεδομένα που θα λάμβανε κανείς από ένα GPS. Το κεφάλαιο συνεχίζει με τα αποτελέσματα από τις τρεις μεθόδους δίνοντας στον αναγνώστη την απάντηση για το ποια από τις τρεις μεθόδους είναι πιο ακριβής. Το τέταρτο κεφάλαιο, κλείνει με τα πειράματα που κάνουμε εκτός του προσομοιωτή, με σκοπό να βεβαιωθούμε ότι τα φίλτρα Kalman λειτουργούν σωστά. Το τελευταίο κεφάλαιο περιέχει τα συμπεράσματα μας και μελλοντική δουλεία που μπορεί να γίνει για να συνεχιστεί αυτή η εργασία.
Περιγραφή
Λέξεις-κλειδιά
Kalman filters
Θεματική κατηγορία
Computer science
Παραπομπή
Σύνδεσμος
Γλώσσα
en
Εκδίδον τμήμα/τομέας
Πανεπιστήμιο Ιωαννίνων. Πολυτεχνική Σχολή. Τμήμα Μηχανικών Ηλεκτρονικών Υπολογιστών και Πληροφορικής
Όνομα επιβλέποντος
Βλάχος, Κωνσταντίνος
Εξεταστική επιτροπή
Βλάχος, Κωνσταντίνος
Λυκας, Αριστείδης
Μπλεκας, Κωνσταντίνος
Λυκας, Αριστείδης
Μπλεκας, Κωνσταντίνος
Γενική Περιγραφή / Σχόλια
Ίδρυμα και Σχολή/Τμήμα του υποβάλλοντος
Πανεπιστήμιο Ιωαννίνων. Πολυτεχνική Σχολή
Πίνακας περιεχομένων
Χορηγός
Βιβλιογραφική αναφορά
Ονόματα συντελεστών
Αριθμός σελίδων
74
Λεπτομέρειες μαθήματος
item.page.endorsement
item.page.review
item.page.supplemented
item.page.referenced
Άδεια Creative Commons
Άδεια χρήσης της εγγραφής: Attribution-NonCommercial-NoDerivs 3.0 United States