introducción a la robótica móvil - part 3/4

IntroducciIntroduccióón a la n a la RobRobóótica Mtica Móóvilvil

Prof. Prof. Dr.EngDr.Eng. Fernando . Fernando PassoldPassold

2IntroducciIntroduccióón a la Robn a la Robóótica Mtica Móóvilvil

IntroducciIntroduccióón a la Robn a la Robóótica Mtica MóóvilvilSumario

1. Tipos de RobotsDiferencia robot manipulador x Robot Móvil;Características do robot móvil;

2. Aplicaciones de robots móviles

3. Robots móviles terrestresTipos de tracción para robots móviles terrestres;

4. SensoresTipos de Sensores;Fuentes de Errores

5. Integración (o Fusión) SensorialDefiniciónFormas de Integración SensorialEnfoques para Integración SensorialOtros métodosProyecto de los Sensores utilizadosEspecificación Lógica de SensoresModelaje de los Sensores

6. Modelaje del EntornoDefiniciónUso de landmarksDescomposición geométrica del entornoFusión geométrica o "map building"Formas de modelaje del entorno

7. Arquitecturas de Robots MóvilesReactivasPor planeamiento (Deliberativas)Basado en ComportamientoDescomposición Funcional del Sistema de

ControlActividades del Control por ComportamientoArquitecturas híbridasEjemplos de Arquitecturas de Controle

8. Tendencias Futuras:

BibliografíaBibliografía Recomendada Codec MPEG4:

MPEG2 Video Decoder:

QuickTime


IntroducciIntroduccióón a la Robn a la Robóótica Mtica MóóvilvilBibliografía recomendada

[Torres, 2002] Torres, Ferando; Pomares, Jorge; Gil, Pablo; Puente, Santiago T.; Aracil, Rafael; Robots y Sistemas Sensoriales, Pearson Educación, Madrid, p. 480, 2002.

[Siegwart, 2004] Siegwart, Roland and Nourbakshsh; Introduction to Autonomous Mobile Robots, Bradford Books/The MIT Press, Massachusetts, p. 321, 2004. http://www.mobilerobots.org

[Thurn, 2006] Thurn, Sebastian; Burgard, Wolfram; Fox, Dieter; Probabilistic Robotics, The MIT Press, Massachusetts, p. 647, 2006.

[Murphy, 2000] Murphy, Robin R.; Introduction to AI Robotics; Bradford Books/The MIT Press, Massachusetts, p. 466, 2000

[Siciliano, 2008] Siciliano, Bruno; Khatib, Oussama (eds.), Springer Handbook of Robotics, Springer, p. 1591, 2008.

[Borenstein, 1996] J. Borenstein, J.; Everett, H. R., and Feng, L., Where am I? ‐ Systems and Methods for Mobile Robot Positioning, p. 282, 1996.http://www‐personal.umich.edu/~johannb/position.htmhttp://www‐personal.umich.edu/~johannb/shared/pos96rep.pdf (12,5 Mb ‐Disponible en May/2009)

http://www.mobilerobots.org/

http://www-personal.umich.edu/~johannb/position.htm

http://www-personal.umich.edu/~johannb/shared/pos96rep.pdf


5. Integraci5. Integracióón Sensorialn Sensorial

Definición: Consiste en la utilización de información proveniente de varios sensores para actualizar un modelo del entorno del robot con la meta de realizar alguna tarea.

Planeamiento deTareas

IntegraciónSensorial

Modelo delentorno

⇒ Subproductos: - calibración de sensores;- reducción de errores;- protección contra fallas;

• Integración multi-sensorial: uso de información de varios sensores para construir un modelo apropiado del mundo para un determinado fin.

Integración Sensorial ⇒ Gerencia información ⇒ sensoriamento activo

FusiFusióónn



Formas de Integración Sensorial:

⊕ Integración Competitiva: dos o mas sensores generan información del mismo tipo sobre las mismas características de un objeto.

⊗ Integración Complementar: los sensores generan informaciones de diferentes características (o de diferentes objetos); si obtiene información por partes que se complementan entre si.

∅ Integración Cooperativa: la información deseada no puede ser obtenida usando‐se solamente un sensor (información híbrida); típico cuando si utiliza información de un sensor para encaminar un otro.



Formas de Integración Sensorial −Ejemplo:



Enfoques para integración sensorial

Estático: información captada en un único instante de tempo (una muestra).Dinámico: evolución de la información en tiempo (serie de muestras).

Ref: http://www.cs.washington.edu/ai/Mobile_Robotics/projects/(figura asociad a “People Tracking”)

http://www.cs.washington.edu/ai/Mobile_Robotics/projects/




Estático: información capturada en un único instante de tempo (una muestra).Dinámico: evolución de la información en el tiempo (serie de tomas).

Simultaneo: todos los sensores al mismo tiempo.Secuencial: uso de sensores de forma secuencial

(normalmente exige conocimiento previo del medio).



Ejemplo:Un sensor de ultrasonido localiza un objeto en el ambiente y en seguida un scanner àláser hace el mapeo solamente el objeto para procesar solo los dados adquiridos del objeto.







Método combinado:Ej.: buscar la curvatura de un canto de objeto usando visión y sensor de proximidad.











de Bajo Nivel: Combinación de información en las primeras etapas de su tratamiento.Información cuantitativa.Algoritmos dependen del sistema.







de Bajo Nivel: Combinación de información en las primeras etapas de su tratamiento.Información cuantitativa.Algoritmos dependen del sistema.

de Alto Nivel: la fusión si realiza a nivel del “conocimiento”.Métodos mas generales.Información tratada de manera simbólica.

Ejemplo: extraer información simbólica des datos captados por los sensores. Esto permite llegar a deducciones del tipo:

1) fueran detectadas unas pocas caderas en una sala (hecho)

2) Si la sala é grande, ⇒ no es una sala de aula.

Ejemplo: extraer información simbólica des datos captados por los sensores. Esto permite llegar a deducciones del tipo:

1) fueran detectadas unas pocas caderas en una sala (hecho)

2) Si la sala é grande, ⇒ no es una sala de aula.


5. Integraci5. Integracióón Sensorialn SensorialOtros métodos:

1) Método del

promedio ponderado → Uso de promedios y analices estadísticas.

2) Método basado en decisión → si selecciona el sensor + confiable.Uso de una medida de “confianza” para seleccionar un valor dentro de varias mediciones.

3) Método direccional → usa valores generados por un sensor para guiar la

adquisición y tratamiento + preciso (del entorno)

mediante otro sensor. El refinamiento de la

información es progresivo.e‐puck.mpgEj.:



Proyecto de los Sensores usados:→ Factores involucrados:

⊗ Complexidad de los dispositivos

⊕ Errores de observación (medidas)

∅ Disparidad de observación

� Múltiplos pontos de observación

número de elementos;contribución de cada uno;incertidumbre de cada uno.

Ej1: Escoger un sensor CCD de 500 o 1000 dpi!?

Ej2: Trabajar con un encoder que genera 500 o 1000 impulsos por vuelta?




ruido (interferencias del medio);errores de posicionamiento, alienación y calibración de los sensores.

Ex.: medio con fuente de calor ×sensores de IR del robot.








Tipos de información;

Transformación de un tipo de información en otro (para poder comparar o complementar info.)

Ej.: medición de presiones a través de medidas de desplazamiento.






Elementos de medición distribuidos;Transferencia de información de un sistema a otro (transformación de coordenadas).

Ej1: cinturón de sensores de ultrasonido (cubriendo los 360o).

Ej2: sistemas multi‐cameras2 ⇒ estéreo visión (noción de profundidad, modelado 3D).








5. Integraci5. Integracióón Sensorialn Sensorial• Visión Estéreo (Stereoscopy):

A B A’ B’

a b

( ) / 2l r

l r

x xx bx x+

=−

( ) / 2l r

l r

y yy bx x+

=−

l r

fz bx x

=−

[Torres, 2002; Siegwart, 2004]


5. Integraci5. Integracióón Sensorialn Sensorial• Visión Estéreo (Stereoscopy):Sistema de visión estéreo del robot Robin de la Universidad de Tübingen (Alemania) –Depto. De Ciencia da Computación[Ref: http://www‐ra.informatik.uni‐tuebingen.de/forschung/service/welcome_e.html ]

A B A’ B’

a b

A B A’ B’A B A’ B’

a b

a)a) visivisióón lado izquierdo.n lado izquierdo. b) visib) visióón lado derecho.n lado derecho.

Ref. CMU Ref. CMU ‐‐ 19771977

http://www-ra.informatik.uni-tuebingen.de/forschung/service/welcome_e.html






Especificación lógica de sensores:Cada sensor se modela mediante:

• Nombre lógico;

• Vector de salida;

• Sub‐redes;

• Seleccionador;

• Intérprete de comandos.

Comandos de controle

Nombre lógico del sensor

Vector de salida de

datos

Selector

Programa1

Programan

Control interpretador de

comandos...

Entradas lógicas

Sensor

. . .

Comandos para os sensores lógicos



• Modelado de los Sensores:

Cada sensor se modela teniendo‐se en cuenta:

– Modelo de observación: capacidad de obtener información;

– Modelo de estado: posición y estado interno de cada sensor.

– Modelo de dependencia: capacidad de interactuar y intercambiar inforación;


Probability density functions…

5. Integraci5. Integracióón Sensorialn Sensorial• Modelado de los Sensores:

– Modelo de observación: capacidad de obtener información⇒ Relacionado con la

precisión/capacidad del sensor:

Curva gaussiana

50%

Rango de mediciónd

Mejor rango de medición

2

2

1 ( )( ) exp22

xp x µσσ π

⎛ ⎞−= −⎜ ⎟

⎝ ⎠µ=valor promedio;σ= desviación estándar (anchura de la curva);σ2=variancia.



Cambio de precisión del sensor conforme faja del valor sendo medido:

Medida del sensor

Rangoútil

5 10

• Modelado de los Sensores:– Modelo de observación: capacidad de obtener información

⇒ Relacionado con la precisión/capacidad del sensor:

Curva gaussiana

50%

Rango de mediciónd

Mejor rango de medición



Ejemplo: para un sensor CCD colorido: cual es la probabilidad de un píxel ser realmente azul?


⇒ Relacionado con la precisión/capacidad del sensor:




– Modelo de estado: probabilidad del sensor obtener la medida zi dado el estado actual do robot.

Ejemplo: un sensor de ultrasonido retorna un valor que está claramente fuera de su rango de actuación.Este valor debe de ser descartado.

Rango de operación del sensor




– Modelo de dependencia: si modela un conjunto de probabilidades condicionadas (idea: confirmar valores medidos)


1) Modelo probabilístico: Enfoque + comun: método Bayesiano:( ) ( ) ( )abPabPabbP ||| 2121 •=∧

b1=10

Info. Sensor 1:

b2=15

Info. Sensor 2:

Ejemplo:

Cual es la medida correcta?

( ) ( ) ( )( )xP

yPyxPyxP ⋅=

||

( ) ( ) ( ) ( )212121 |||| bbaPabPabPabbP ∧=⋅=∧

Valor real: a

(Teorema de Bayes)

IdeaIdea⇒ obtener una curva de probabilidades asociadas a valores reales






IdeaIdea⇒ obtener una curva de probabilidades asociadas a valores reales

ImportanciaImportancia⇒ localización de un objeto!(“certidumbre” del objeto estar en el punto sensoriado)

b2=15

P(b2)

b1=10

P(b1) Pconjunto

b2

P(b2)

b1=10

P(b1) Pconjunto






x

y

Prob

abilidad x

y Objeto

Cono 3D “certeza” del objeto estar en este punto.

ImportanciaImportancia⇒ localización de un objeto!

“PistaPista”: sabemos à priori el error que puede estar asociado a cada sensor.



• Modelado de los Sensores:⇒Modelo final: elipsoides de incertidumbreselipsoides de incertidumbres:

Posición inicial

Trayectoria estimada por

el robot

Elipsoides de error por incertidumbres



• Modelado de los Sensores:⇒Modelo final: elipsoides de incertidumbreselipsoides de incertidumbres:

– La precisión de las medidas realizadas depende de diversos factores:• distancia hasta el objeto;• Sensor utilizado (IR, ultrasonido, microondas, láser, CCD, GPS);• Ondulaciones del terreno;• “Ruidos” generados por el entorno: Ex.: calor × sensores IR, piernas de sillas × ultrasonido;

• Reflexión de señales causadas por la propia configuración geométrica del medio.


Pausa para cafPausa para caféé

IntroducciIntroduccióón a la n a la RobRobóótica Mtica Móóvilvil

Prof. Prof. Dr.EngDr.Eng.* Fernando .* Fernando PassoldPassold

*Dr. Eng: Universidad Federal de Santa Catarina (UFSC), Dept. Automatización de Sistemas (DAS), Florianópolis,

Brasil;Mr.Eng.: UFSC/Biomédica, Brasil

introducción a la robótica móvil - part 3/4

Documents