Sistema de localização e mapeamento 3D simultâneos em robôs móveis: fusão de sensores para localização com filtro de Kalman estendido

Abstract

Para que um robô seja inteiramente autônomo ele precisa de alguma forma de representação do ambiente no qual ele esta presente, assim como a sua localização em relação a este ambiente. Localizar-se com precisão e construir um mapa do ambiente permite que o robô possa alcançar metas pré-determinadas. A localização é uma das tarefas mais importantes para a navegação autônoma de robôs móveis, onde robustez e precisão são características fundamentais. Essa tarefa baseia-se no mapa do seu ambiente. Em contrapartida, a construção do mapa do ambiente depende da localização precisa do robô móvel. Em ambientes desconhecidos este é um processo conflitante, mas correlacionado. A introdução de sistemas de visão computacional em robôs móveis significa um aumento expressivo em suas habilidades sensoriais, o que implica em uma maior versatilidade e segurança nas aplicações do robô. Técnicas probabilísticas podem ser usadas em robótica para correção dos eventuais erros dos sensores, assim como técnicas de fusão temporal e fusão multissensorial. Este trabalho apresenta a implementação, através do ROS, de um Filtro de Kalman Estendido para a fusão de três fontes de sensoriamento diferentes e estimar a posição e orientação do robô de forma mais robusta, precisa e, consequentemente, realizar um mapeamento também mais fiel do ambiente em 3D, com registro na forma de nuvem de pontos, obtida através das imagens de cor e profundidade de uma câmera Kinect acoplada ao robô.

Abstract : In order to be entirely autonomous a robot needs some sort of environment representation in which it is present as well as its localization in this environment. Finding itself accurately and building a map of the environment allows the robot to reach predetermined goals. Localization is one of the most important tasks for autonomous navigation of mobile robots, where robustness and precision are fundamental characteristics. This task is based on the map of the environment. In contrast, building this map depends on the precise location of the mobile robot. In unknown environments this is a conflicting but correlated process. The introduction of computer vision systems in mobile robots means an expressive increase in their sensorial abilities, which implies in a greater versatility and security in the robot's applications. Probabilistic techniques can be used in robotics to correct eventual sensor noises, as well as temporal fusion and multisensory fusion techniques. The present work describes the implementation of an Extended Kalman Filter using ROS to perform the fusion of three different sensory sources and estimate the position and orientation of the robot more accurately and robustly and, consequently, resulting in a more accurate mapping of the 3D environment, with point cloud registry obtained through the color and depth images of a Kinect camera coupled to the robot.