Improving navigation autonomy in mobile robots with Monte-Carlo particle filters

• Autorzy: Algorri Maria-Elena

Warianty tytułu

DE

Verbesserung der Navigationsautonomie in mobilen Robotern mit Monte-Carlo-Partikelfiltern

• Języki publikacji: EN

Abstrakty

EN

Autonomous Navigation is possible when a vehicle combines internal information about its own state with external information about its environment. A vehicle receives the information as a permanent feed of measurements from its internal sensors (odometry) and from external sensors (ultrasound, cameras, IMUs, radar etc.). The information provided by the sensors is always uncertain and therefore a vehicle cannot estimate its own motion based only on internal sensing (odometry) and cannot plan its trajectory based only on external sensing. For autonomous navigation, all the sensors in a vehicle must be statistically characterized, their accuracy and error margin in a given dynamic range must be available to the vehicle. Using the statistics of all the sensors, a vehicle can take a combined decision that reduces the overall error when estimating its own position and planning a trajectory. Vehicles can use different algorithms to take a decision based on uncertain sensor measurements. One of the most popular algorithms is the Monte Carlo Particle Filter (MCPF). The MCPF uses Bayesian Statistics to reduce the overall uncertainty of a group of uncertain measurements, therefore improving the estimation of the vehicle internal and external states. In this article we give a practical explanation of the meaning of the MCPF. We also present the results of using the MCPF in autonomous navigation of mobile robots.

DE

Autonome Navigation ist möglich, wenn ein Fahrzeug interne Informationen über seinen eigenen Zustand mit externen Informationen über seine Umgebung kombiniert. Ein Fahrzeug erhält die Informationen als permanente Messdatenübertragung von seinen internen Sensoren (Odometrie) und von externen Sensoren (Ultraschall, Kameras, IMUs, Radar usw.). Die von den Sensoren gelieferten Informationen sind immer unsicher und daher kann ein Fahrzeug seine eigene Bewegung nicht nur auf Basis der internen Sensoren (Odometrie) abschätzen und seine Flugbahn nicht nur auf Basis der externen Erfassung planen. Für eine autonome Navigation müssen alle Sensoren in einem Fahrzeug statistisch charakterisiert werden, und ihre Genauigkeit und Fehlertoleranz in einem bestimmten Dynamikbereich muss dem Fahrzeug zur Verfügung stehen. Unter Verwendung der Statistik aller Sensoren kann ein Fahrzeug eine kombinierte Entscheidung treffen, die den Gesamtfehler bei der Schätzung seiner eigenen Position und der Planung einer Trajektorie verringert. Fahrzeuge können unterschiedliche Algorithmen verwenden, um eine Entscheidung basierend auf unsicheren Sensormessungen zu treffen. Einer der beliebtesten Algorithmen ist der Monte-Carlo-Partikelfilter (MCPF). Die MCPF verwendet die Bayes'sche Statistik, um die Gesamtunsicherheit einer Gruppe unsicherer Messungen zu verringern und so die Schätzung der internen und externen Zustände des Fahrzeugs zu verbessern. In diesem Artikel geben wir eine praktische Erklärung der Bedeutung der MCPF. Wir präsentieren auch die Ergebnisse des Einsatzes der MCPF in der autonomen Navigation von mobilen Robotern.

Słowa kluczowe

EN

odometry; sensors; particle filter; Monte Carlo; uncertainty

• Wydawca: Instytut Pojazdów Politechniki Warszawskiej
• Czasopismo: Zeszyty Naukowe Instytutu Pojazdów / Politechnika Warszawska
• Rocznik: 2019
• Tom: z. 4/122
• Strony: 13--22
• Opis fizyczny: Bibliogr. 8 poz., rys.

Twórcy

autor

Algorri Maria-Elena

• Institute for Automation and IT, Cologne University of Applied Sciences

Bibliografia

• [1] Davison A.: Robotics Lectures, Department of Computing, Imperial College London, http://www.doc.ic.ac.uk/~ajd/Robotics/ (Available: 05.11.2019);
• [2] Harrison R. L.: Introduction to Monte Carlo Simulation, AIP Conference Proceedings, 2010 January 5; 1204: pp. 17-21;
• [3] Dellaert F., Fox D.: Burgard W., Thrun S., Monte Carlo Localization for Mobile Robots, IEEE Intl. Conf. on Robotics and Automation, Vol. 2, pp. 1322-1328, 1999;
• [4] Fox D., Burgard W., Dellaert F., Thrun S.: Monte Carlo Localization: Efficient position estimation for mobile robots, Proc. of the Natl. Conf. on Artificial Intelligence, John Wiley and Sons Ltd., pp 343 – 349, 1999;
• [5] Thrun S., Fox d., Burgard W., Dellaert F.: Robust Monte Carlo Localization for Mobile Robots, Artificial Intelligence, Nr. 128, Vol 1-2, pp 99—141, Elsevier 2001;
• [6] Fox D., Thrun S., Burgard W., Dellaert F.: Particle filters for mobile robot localization, Sequential Monte Carlo Methods in Practice, pp. 401-428, 2001;
• [7] Zhang L., Zapata R., Lépinay P.: Self-adaptive Monte Carlo Localization for mobile robots using range sensors, 2009 IEEE/RSJ Intl. Conf. on Intelligent Robots and Systems, St. Louis MO, 2009 pp. 1541-1546;
• [8] Zhang, L., Zapata, R., Lepinay P.: Self-Adapting Monte Carlo localization for mobile robots using range finders, Robotica, 30(2), pp. 229-244.

Uwagi

PL

Opracowanie rekordu ze środków MNiSW, umowa Nr 461252 w ramach programu "Społeczna odpowiedzialność nauki" - moduł: Popularyzacja nauki i promocja sportu (2020).