Estimación de posición en robots móviles usando filtros de partículas
DOI:
https://doi.org/10.33571/rpolitec.v13n25a8Palabras clave:
Robótica móvil, filtro de partículas, métodos monte carlo, filtro estocástico, filtro bayesianoResumen
Este trabajo muestra una metodología para abordar el problema de locomoción de robots diferenciales a partir de técnicas de odometría, algoritmos de seguimiento de trayectorias basados en A*, control por persecusión pura y estimación de estados por medio de filtros de partículas. El documento se acompaña de una serie de simulaciones que demuestran en primera instancia el correcto funcionamiento de la metodología propuesta.
Métricas de artículo
Resumen: 1043 HTML: 436 PDF: 510 XML: 44Métricas PlumX
Citas
Dudek, G. y Jenkin, M., Computational principles of mobile robotics. Cambridge University Press, 2010.
Siegwart, R., Nourbakhsh, I. R., y Scaramuzza, D. Introduction to autonomous mobile robots. MIT press, 2011.
García Caicedo, J. M. Navegación de un robot móvil sobre terreno irregular con contacto de su brazo con el suelo [Master Thesis]. Medellín, Colombia: Universidad de Antioquia, 2012.
Rekleitis, I. M. A particle filter tutorial for mobile robot localization. Tech. Rep. TR-CIM- 04-02. Montreal, Canada. Centre for Intelligent Machines, McGill University, 2004.
Chen, Z. Bayesian filtering: From Kalman filters to particle filters, and beyond. Statistics 182 (1), 1-69, 2003.
Kalman, R. E. A new approach to linear filtering and prediction problems. Journal of basic Engineering, 82, 35 - 45, 1960.
Kalman, R. E. y Bucy, R. S.. New results in linear filtering and prediction theory. Journal of basic engineering, 83, 95 - 108, 1961.
Simon, D. Optimal state estimation: Kalman, H infinity, and nonlinear approaches. John Wiley & Sons, 2006.
Gordon, N. J., Salmond, D. J., y Smith, A. F. Novel approach to nonlinear/non-gaussian bayesian state estimation. IEEE Proceedings Radar and Signal Processing, 140, 107–113, 1993.
Doucet, A. y Johansen, A. M. A Tutorial on Particle filtering and smoothing: Fiteen years later. The Oxford handbook of nonlinear filtering, 656–705, 2011.
Arulampalam, M. S., Maskell, S., N. Gordon, y Clapp, T. A tutorial on particle filters for online nonlinear/non-gaussian bayesian tracking. IEEE Transactions Signal Processing, 50, 174 - 188, 2002.
R. R. Luque. Localización multirrobot basada en filtro de partículas [Ph.D. Thesis]. Madrid España: Universidad de Alcalá, 2006.
Cook, G. Mobile robots: navigation, control and remote sensing. John Wiley & Sons, 2011.
S. Thrun, W. Burgard, and D. Fox. Probabilistic robotics. MIT press, 2005.
López, D. G., Aldeguer, R. R., & Ruiz, F. E. Aplicación del muestreo bayesiano en robots móviles: estrategias para localización y estimación de mapas del entorno. Alicante, España: Universidad de Alicante, 1999.
Lee, D. Curso de Coursera: Robotics, Estimation and Learning. Disponible en https://www.coursera.org [consultado el 26 de marzo de 2017].
Thrun, S. Particle Filters in Robotics. Proceedings of Uncertainty in AI, 1, 511 - 518, 2002.
Algarabia. Circunferencia osculatriz. Disponible en https://commons.wikimedia.org/ [consutado el 26 de marzo de 2017].
Baturone, A. O. Robótica: manipuladores y robots móviles. Marcombo, 2005.
Siciliano, B., Sciavicco, L., Villani, L., y Oriolo, G. Robotics: modelling, planning and control. Springer Science & Business Media, 2010.
Dissanayake, M., Newman, P., Clark, S., Durrant-Whyte, H. F., y Csorba, M. A solution to the simultaneous localization and map building (SLAM) problem. IEEE Transactions on Robotics and Automation, 17, 229 - 241, 2001.
Durrant-Whyte, H. y Bailey T. Simultaneous localization and mapping: part I. Robotics & Automation Magazine, 99 - 106, 2006.
Publicado
Cómo citar
Número
Sección
Licencia
_
