Ricardo Urvina Córdova, Eduardo Aguilar Torres, Alvaro Prado Romo
Este artículo presenta técnicas alternativas de localización y mapeo simultáneo del ambiente, que permiten a los robots móviles auto referenciarse en un ambiente de navegación de reducida accesibilidad al posicionamiento mediante medios externos, como Sistemas de Posicionamiento Global (o GPS por sus siglas en inglés). La metodología consiste en implementar cuatro algoritmos de aprendizaje de máquina no-supervisado. Utilizando conjuntos de datos que se generan en base a una nube de puntos de rango entregados por las mediciones de un sensor LiDAR (o Detección de Luz y Rango por sus siglas en inglés). El enfoque propuesto identifica las características del mapa de navegabilidad y un método adicional, basado en el Filtro de Kalman Extendido (o EKF por sus siglas en inglés). EKF permite encontrar el posicionamiento del robot que se conjuga con cada uno de los algoritmos propuestos. El primer método propuesto consiste en la estimación de las características del ambiente mediante métodos heurísticos y la conformación del mapa mediante principios geométricos. El segundo método implementado se basa en K-Means para incorporar la incertidumbre en la medición del sensor, mientras que la tercera solución utiliza el modelo de mezcla de Gaussianas. El cuarto método se enfoca en el agrupamiento espacial de datos basado en densidad de datos con ruido (o DBSCAN por sus siglas en inglés). Para incluir incertidumbre dentro del ambiente de prueba, se induce error de odometría en el robot, la misma que se propaga hacia las lecturas del posicionamiento. Los resultados muestran que DBSCAN presenta un mejor tiempo de ejecución del sistema de localización propuesto frente a los otros métodos de comparativa. Además, la localización del robot es más precisa con este método, mostrando una reducción del 5% del error frente al resultado obtenido de los otros algoritmos propuestos. Finalmente, con los resultados alcanzados se prevé que con la disminución de error de localización y mapeo automático se pueda disminuir el consumo de los recursos del robot.
This paper proposes several techniques for simultaneous localization and mapping of the environment, which allow mobile robots to self-reference themselves in a navigation environment with reduced accessibility by external means, such as the Global Position System (GPS). The methodology consists of implementing four unsupervised machine learning algorithms, using data sets generated based on a cloud of range points delivered by LiDAR sensor measurements. The proposed approach identifies characteristics from a navigability map, whereas an additional method based on Extended Kalman Filter (EKF) allows to find the robot positioning in conjunction. The proposed approach identifies navigability map features and an additional method based on EKF. EKF allows finding the robot positioning that is conjugated with each of the proposed algorithms. The first proposed method consists of estimating the features of the environment using heuristic methods and shaping the map using geometric principles. The second method is based on K-Means to incorporate the uncertainty in the sensor measurement, while the third solution uses the Gaussian Mixture Model (GMM). The fourth method focuses on Density-Based Spatial Clustering (DBSCAN). An odometry error is induced in the robot to include uncertainty within the test environment, which propagates into the positioning readings. The results show that DBSCAN presents a better execution time for the proposed localization system than the other comparative methods. Additionally, the robot's localization is more accurate with this method, showing a 5% reduction of the error compared to the result obtained from the other proposed algorithms. Finally, with the results achieved, it is expected that the consumption of robot resources can be reduced with the reduction of localization error and automatic mapping.
© 2001-2024 Fundación Dialnet · Todos los derechos reservados