Seguimiento de la posici´on

co general, posteriormente esta trayectoria se traduce en informaci´on m´etrica que le permite determinar al robot como moverse de un nodo del mapa topol´ogico al siguien- te.

En [Hwang and Ahuja, 1992] se exhibe una recopilaci´on de diferentes t´ecnicas usadas en planificaci´on de trayectorias as´ı como una descripci´on de una gran variedad de algoritmos en detalle.

2.2.

Seguimiento de la posici´on

Algunos sistemas de seguimiento de la posici´on han empleado sensores ul- tras´onicos, sin embargo, se ha observado que su resoluci´on es muy limitada por lo que, en general, es necesario hacer un procesamiento adicional para extraer informaci´on ´util para el seguimiento de la posici´on [Xiaowei et al., 2000, Wijk and Christenseny, 2000]. Una alternativa son los sensores l´aser, los cuales proporcionan informaci´on m´as precisa y detallada acerca del ambiente, lo cual es frecuentemente aprovechado para extraer marcas naturales que puedan ser utilizadas para el seguimiento de la posici´on. Por otro lado la velocidad de actualizaci´on es mayor que la de los sensores ultras´onicos [Santiso et al., 2003, Wang et al., 2002, Xiaowei et al., 2000, Ribeiro and Concalves, 1996, Ein- sele, 2001]. Tambi´en se han empleado t´ecnicas de visi´on para afrontar este problema. En [Lowe et al., 2002] se describe un mecanismo basado en visi´on stereo que en combi- naci´on con la identificaci´on de marcas invariantes a la rotaci´on y escala permite calcular de manera aproximada la magnitud del desplazamiento del robot.

En la literatura relacionada se observa que hay dos enfoques que han sido fre- cuentemente utilizados en la soluci´on del problema de seguimiento: el basado en corre- laci´on y el basado en caracter´ısticas [Dudek and Jenkin, 2000]. Las propuestas basadas en correlaci´on son ampliamente utilizadas debido a que pueden llegar a ser muy exac- tas y apegadas al modelo. Sin embargo, este procedimiento puede ser muy costoso en t´erminos de tiempo si consideramos que debe averiguarse en que posici´on se encuentra el robot utilizando el grueso de los datos sensados. En el caso del uso de celdas este pro- blema aumenta conforme disminuye el tama˜no de las celdas. En [Schiele and Crowley, 1994] puede encontrarse un estudio comparativo acerca de diferentes enfoques basados en celdas donde algunos de ellos utilizan correlaci´on.

2.2. Seguimiento de la posici´on Cap´ıtulo 2. Trabajos previos

ci´on de las marcas que el robot es capaz de detectar en el ambiente. Las marcas pueden ser artificiales o naturales, siendo estas ´ultimas las que le dan un mayor grado de au- tonom´ıa al robot. Uno de los principales argumentos en contra de este enfoque radica en que la identificaci´on de las marcas debe ser muy precisa para obtener una buena estimaci´on de la posici´on. Por otro lado el tiempo empleado es menor ya que se usan menos datos siempre y cuando al detecci´on de las marcas se realice r´apida y efectiva- mente [Xiaowei et al., 2000, Ribeiro and Concalves, 1996].

Independientemente de si se usa el grueso de la informaci´on sensada o solamen- te un conjunto de marcas extra´ıdas, es necesario contar con un mecanismo que permita fusionar la informaci´on del od´ometro con las observaciones. Al respecto existen di- ferentes enfoques, algunos de ellos se basan en la combinaci´on de las estimaciones proporcionadas por las marcas y por medio de triangulaci´on determinan la posici´on del robot [Xiaowei et al., 2000, Dudek and Jenkin, 2000]. Otros enfoques resuelven el problema por medio de la utilizaci´on de un filtro de Kalman, el cual ha sido amplia- mente utilizado ya que, en teor´ıa, permite determinar el error de manera ´optima; para que la optimalidad sea efectiva, se debe cumplir que exista una relaci´on lineal entre el estado del sistema(x,y,θ)y las observaciones (informaci´on obtenida de los sensores). Esta ´ultima condici´on y otras suposiciones como considerar que el ruido es gaussiano, raramente se cumplen en el contexto de rob´otica m´ovil por lo que la condici´on de opti- malidad se pierde y en algunos casos el resultado que se obtiene es muy pobre [Dudek and Jenkin, 2000]. En otros sistemas se ha optado por la utilizaci´on del filtro de Kalman extendido, el cual b´asicamente se encarga de linealizar el modelo del sistema por medio de series de Taylor para poder utilizar la teor´ıa del filtro de Kalman b´asico [Dudek and Jenkin, 2000, Tomatis, 2001].

En esta tesis se utiliza un enfoque basado en marcas naturales del ambiente. Esto evita que el ambiente tenga que ser modificado para que el robot pueda navegar en ´el. Se plantea el uso de tres tipos de marcas naturales diferentes con la finalidad de que el robot siempre disponga de informaci´on para localizarse. Adem´as, se propone un esquema de fusi´on de m´ultiples estimaciones para atenuar el error en la estimaci´on de la posici´on ocasionado por la detecci´on imprecisa de algunas marcas. Las cuestiones relacionadas con la identificaci´on de marcas naturales y seguimiento de la posici´on ser´an abordadas en los Cap´ıtulos 4 y 5.