Covarianza dinámica con sensor Doppler para la estimación de errores no sistemáticos

Jonay Tomas Toledo Carrillo; Alexis Rodriguez; Bibiana Fariña; David Abreu; Leopoldo Acosta

doi:10.17979/ja-cea.2024.45.10946

Autores/as

Jonay Tomas Toledo Carrillo Universidad de La Laguna
Alexis Rodriguez Universidad de La Laguna
Bibiana Fariña Universidad de La Laguna
David Abreu Universidad de La Laguna
Leopoldo Acosta Universidad de La Laguna

DOI:

https://doi.org/10.17979/ja-cea.2024.45.10946

Palabras clave:

Robot móviles, Fusión sensorial, Localización, Filtrado de Kalman

Resumen

Una de las claves de una navegación segura para un robot móvil es el sistema de localización. Este tiene que obtener una una posición lo más precisa posible en el entorno del robot. Para conseguir esto, se utiliza una combinación de sensores diferentes para mejorar el resultado global de la localización, caracterizando cada medida con su precisión. Uno de los sensores más importantes para ello es la odometría, sin embargo es muy difícil caracterizar la precisión del sistema odométrico en tiempo real. En este artículo se presenta un sensor basado en efecto doppler ultrasónico para realizar una medida de validación del resultado del sensor odométrico y de esta forma ajustar la covarianza de este dinámicamente. De esta forma se consigue una localización final más precisa.

Citas

Abreu, D., Toledo, J., Codina, B., Suárez, A., 2021. Low-cost ultrasonic range improvements for an assistive device. Sensors 21 (12). DOI: 10.3390/s21124250 DOI: https://doi.org/10.3390/s21124250

Alatise, M. B., Hancke, G. P., 2017. Pose estimation of a mobile robot based on fusion of imu data and vision data using an extended kalman filter. Sensors 17 (10). DOI: 10.3390/s17102164 DOI: https://doi.org/10.3390/s17102164

Arnay, R., Hernández-Aceituno, J., Toledo, J., Acosta, L., May 2018. Laser and optical flow fusion for a non-intrusive obstacle detection system on an intelligent wheelchair. IEEE Sensors Journal 18 (9), 3799–3805. DOI: 10.1109/JSEN.2018.2815566 DOI: https://doi.org/10.1109/JSEN.2018.2815566

Barrios, C., Motai, Y., Huston, D., Dec 2016. Intelligent forecasting using dead reckoning with dynamic errors. IEEE Transactions on Industrial Informatics 12 (6), 2217–2227. DOI: 10.1109/TII.2015.2514086 DOI: https://doi.org/10.1109/TII.2015.2514086

Censi, A., 2008. An icp variant using a point-to-line metric. In: 2008 IEEE International Conference on Robotics and Automation. pp. 19–25. DOI: 10.1109/ROBOT.2008.4543181 DOI: https://doi.org/10.1109/ROBOT.2008.4543181

Faria, B. M., Reis, L. P., Lau, N., 2014. A survey on intelligent wheelchair prototypes and simulators. In: Rocha, Á., Correia, A. M., Tan, F. . B., Stroetmann, K. . A. (Eds.), New Perspectives in Information Systems and Technologies, Volume 1. Springer International Publishing, Cham, pp. 545–557. DOI: https://doi.org/10.1007/978-3-319-05951-8_52

Fariña, B., Toledo, J., Acosta, L., 2023. Augmented kalman filter design in a localization system using onboard sensors with intrinsic delays. IEEE Sensors Journal 23 (11), 12105–12113. DOI: 10.1109/JSEN.2023.3269126 DOI: https://doi.org/10.1109/JSEN.2023.3269126

Fariña, B., Toledo, J., Acosta, L., 2024. Improving odometric sensor performance by real-time error processing and variable covariance. Mechatronics 98, 103123. DOI: 10.1016/j.mechatronics.2023.103123 DOI: https://doi.org/10.1016/j.mechatronics.2023.103123

Fariña, B., Toledo, J., Estevez, J. I., Acosta, L., 2020. Improving robot localization using doppler-based variable sensor covariance calculation. Sensors 20 (8). DOI: 10.3390/s20082287 DOI: https://doi.org/10.3390/s20082287

Huang, T., Jiang, H., Zou, Z., Ye, L., Song, K., 2019. An integrated adaptive kalman filter for high-speed uavs. Applied Sciences 9 (9). DOI: 10.3390/app9091916 DOI: https://doi.org/10.3390/app9091916

Kalman, R. E., 03 1960. A New Approach to Linear Filtering and Prediction Problems. Journal of Basic Engineering 82 (1), 35–45. DOI: 10.1115/1.3662552 DOI: https://doi.org/10.1115/1.3662552

Kubelka, V., Oswald, L., Pomerleau, F., Colas, F., Svoboda, T., Reinstein, M., 2015. Robust data fusion of multimodal sensory information for mobile robots. Journal of Field Robotics 32 (4), 447–473. DOI: 10.1002/rob.21535 DOI: https://doi.org/10.1002/rob.21535

Leaman, J., La, H. M., Aug 2017. A comprehensive review of smart wheelchairs: Past, present, and future. IEEE Transactions on Human-Machine Systems 47 (4), 486–499. DOI: 10.1109/THMS.2017.2706727 DOI: https://doi.org/10.1109/THMS.2017.2706727

Michaelis, M., Berthold, P., Meissner, D., Wuensche, H., Oct 2017. Heterogeneous multi-sensor fusion for extended objects in automotive scenarios using gaussian processes and a gmphd-filter. In: 2017 Sensor Data Fusion: Trends, Solutions, Applications (SDF). pp. 1–6. DOI: 10.1109/SDF.2017.8126351 DOI: https://doi.org/10.1109/SDF.2017.8126351

Ravikumar, P., Wainwright, M. J., Raskutti, G., Yu, B., 2011. High-dimensional covariance estimation by minimizing l 1 -penalized log-determinant divergence. Electron. J. Statist. 5, 935–980. DOI: 10.1214/11-EJS631 DOI: https://doi.org/10.1214/11-EJS631

Toledo, J., Piñeiro, J. D., Arnay, R., Acosta, D., Acosta, L., 2018. Improving odometric accuracy for an autonomous electric cart. Sensors 18 (1). DOI: 10.3390/s18010200 DOI: https://doi.org/10.3390/s18010200