Use este identificador para citar ou linkar para este item: http://repositorio.ufes.br/handle/10/4264
Título: Um sistema para mapeamento de grandes regiões usando GraphSLAM
Autor(es): Mutz, Filipe Wall
Orientador: Souza, Alberto Ferreira de
Coorientador: Santos, Thiago Oliveira dos
Data do documento: 30-Jul-2014
Editor: Universidade Federal do Espírito Santo
Resumo: Um dos grandes desafios de robótica nos últimos anos tem sido o desenvolvimento de veículos robóticos com alto nível de autonomia, capazes de navegar por longos períodos de tempo sem a intervenção de um usuário humano. Existe uma grande expectativa de que, no futuro, os automóveis autônomos possam ser usados para prover acessibilidade para deficientes, reduzir o tempo e o custo para transportar cargas e oferecer conforto para pessoas que não podem ou simplesmente não querem dirigir. Além disso, o uso de veículos autônomos tem o potencial para aumentar significativamente a segurança no trânsito uma vez que os robôs possuem uma capacidade ampliada de observar o mundo e não estão sujeitos a estados indesejados como cansaço, nervosismo, embriaguez, pressa ou estresse. Neste trabalho, foi estudado o problema de criação de mapas de grandes regiões para a localização e navegação de automóveis autônomos. Foram estudadas várias abordagens para solução do problema e foi desenvolvido um sistema de mapeamento de grandes regiões (Large-scale Environment Mapping System LEMS) usando o algoritmo GraphSLAM baseado em poses. Os experimentos realizados mostraram que o LEMS foi capaz de mapear com uma boa qualidade diferentes regiões com tamanhos e características específicos. Durante o desenvolvimento do LEMS foi observado que os erros de odometria eram não-gaussianos e sujeitos a bias. Por isto, foi criada uma ferramenta para encontrar automaticamente o bias usando otimização por enxame de partículas. Os experimentos realizados mostraram que ao integrar o bias à odometria, o dead-reckoning foi capaz de aproximar com uma boa precisão o trajeto medido pelo GPS.
One of the big challenges of robotics in the last years has been the development of robotic vehicles with high level of autonomy able of navigating for long periods of time without human intervention. There is an high expectation that, in future, autonomous vehicles can be used to provide accessibility to injured people, reduce time and cost of transportation systems, and offer comfort to people that do not want (or cannot) to drive. Besides of that, the use of autonomous vehicles has the potential to highly increase the safety in traffic due to the increased capacity of robots to observe the world, and due to the fact that robots are not subject to dangerous states, such as tiredness, anger, drunkenness, hurry or stress. The focus of this work was the problem of map building in big environments in order to make autonomous vehicles able to localize themselves and navigate. It was studied the well succeeded solutions found in literature and it was developed a Large-scale Environment Mapping System (called LEMS) using pose-based GraphSLAM algorithm. Experiments revealed that the LEMS was able to build highquality maps of different regions with specific sizes and features. During the development of LEMS, it was observed that the odometer data errors are non-Gaussians and subject to biases. Because of that, it was created a tool to automatically find the biases using particle swarm optimization. Experiments revealed that integrating the biases to odometer data, the dead-reckoning was able to reproduce with a good precision the path measured by GPS.
URI: http://repositorio.ufes.br/handle/10/4264
Aparece nas coleções:PPGI - Dissertações de mestrado

Arquivos associados a este item:
Arquivo TamanhoFormato 
tese_7764_Dissertacao-Filipe-final-Revisado.pdf4.82 MBAdobe PDFVisualizar/Abrir


Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.