Pós-Graduação em Ciência da Computação – UFPE
Defesa de Dissertação de Mestrado Nº 2.093
Aluno: João Guilherme Oliveira Carvalho de Melo
Orientadora: Profa. Edna Natividade da Silva Barros
Título: Onboard Perception and Localization for Resource-Constrained
Dynamic Environments: A RoboCup Small Size League Case Study
Data: 07/08/2023
Hora/Local: 14h – Virtual – Interessados em assistir entrar em contato com o aluno
Banca Examinadora:
Prof. Cleber Zanchettin (UFPE / Centro de Informática)
Prof. Paulo Fernando Ferreira Rosa (IME/ Departamento de Engenharia da Computação)
Profa. Edna Natividade da Silva Barros (UFPE / Centro de Informática)
RESUMO:
Auto-localização é uma habilidade fundamental no campo de robôs móveis autônomos e consiste em estimar a posição e orientação de um robô em relação ao seu ambiente de operação. Localização de Monte Carlo (em inglês Monte Carlo Localization – MCL) é um algoritmo baseado em filtros de partículas, abordando o problema de localização através de um conjunto de partículas que representam múltiplas hipóteses do estado atual do robô. Em cada iteração, as partículas são movimentadas de acordo com os deslocamentos realizados pelo robô e suas verossimilhanças são estimadas com base nas similaridades entre medidas adquiridas pelo robô e seus valores esperados, dados os estados das partículas. Em seguida, um novo conjunto de partículas é gerado com base nos pesos atuais através de algoritmos de reamostragem e o processo é reiniciado. MCL é utilizado com sucesso em diversas ligas de futebol de robôs da RoboCup para resolver o problema de localização, especialmente em competições de robôs humanóides e de plataformas padronizadas. Em 2022, este problema foi introduzido na categoria Small Size League (SSL) através do desafio técnico chamado Vision Blackout, que restringe os times a utilizarem apenas técnicas de sensoriamento e processamento embarcados para executar tarefas do futebol de robôs. Assim, este trabalho apresenta uma solução integrada para resolver o problema de auto-localização no contexto de SSL enquanto, conjuntamente, detecta objetos dinâmicos do ambiente, utilizando informações adquiridas por uma câmera monocular e odometria inercial embarcados. Nós aprimoramos o algoritmo de MCL utilizando idéias de implementações propostas por outras pesquisas realizadas em outras ligas da RoboCup, garantindo mais robustez à imprecisões em medidas e estimativas de odometria. Ademais, nós aceleramos a velocidade de processamento do algoritmo adaptando o número de partículas utilizadas de acordo com a confiança atual da distribuição, método também chamado de MCL adaptativo. Para isto, propomos uma nova abordagem para medir a qualidade da distribuição atual, baseada em aplicar o modelo de observação ao estado resultante do algoritmo de localização. A abordagem foi capaz de aumentar drasticamente a velocidade de processamento do sistema, sem perder sua capacidade de rastrear a localização do robô, e a nova métrica de confiança também pode ser aproveitada para tomar decisões e realizar
movimentos que favoreçam a convergência do algoritmo de localização.
Palavras-chave: robôs móveis autônomos; auto-localização; Monte Carlo Localization; RoboCup.
Comentários desativados