Desenvolvimento de um sistema de localização e reconstrução de trajetórias para um veículo terrestre

Esola de Engenharia

Programa de Pós-Graduação em Engenharia Elétria

Desenvolvimento de um Sistema de Loalização e

Esola de Engenharia

Programa de Pós-Graduação em Engenharia Elétria

Desenvolvimento de um Sistema de Loalização e

Reonstrução de Trajetórias para um Veíulo Terrestre

Mihelle Mendes Santos

Dissertação apresentada ao Programa de Pós-Graduação em

Engenharia Elétria da Universidade Federal de Minas Gerais

omo requisito parial para obtenção do título de Mestre em

Engenharia Elétria.

Orientadores: Prof. Dr. Leonardo Antnio Borges Trres e

À minha familiae ao Paulo, meu

ompanheiro vinte e ino horas

AgradeçoprimeiramenteaDeuspelaoportunidadedeviveressaexperiêniaintensa

que é a pós-graduação e por ter me dado forças para onluir mais essa etapa de

minha vida. Agradeço ao meu noivo, Paulo, pela paiênia, pelos onselhos, pelo

ompanheirismo, enm, por existir em minha vida. Agradeço aos meus pais pela

ompreensãode minha ausênia em diversos momentos importantes da família.

Agradeçoaos meusorientadores, Professor Leonardo TrreseProfessor

Gui-lherme Pereira, pelos ensinamentos, pela paiênia e pelo apoio e ao Programa de

Pós-Graduaçãoem EngenhariaElétriadaUFMG.AgradeçoaoProfessorPaulo

Is-olddoDepartamentodeEngenhariaMeâniadaUFMG,membrodogrupoPDVA

que partiipou do desenvolvimento deste trabalho. Agradeço aos olegas do

labo-ratório CORO, que me auxiliaram aademiamente em diversos momentos, pelas

onversas de desontração, pelos afés, espeialmente ao Elias, ao Matheus Vinti

eaoGuilhermeCastroquepartiiparamdiretamentedodesenvolvimento deste

tra-balho; aos olegas do PPGEE pelo ompanheirismo na realização de trabalhos e

estudosemgrupo. Agradeçoaos alunosparaosquaistiveoportunidadede leionar,

queontribuírampara minha experiêniadoente.

Agradeço aos demais professores do Departamento de Engenharia Meânia

que disponibilizaram o automóvel utilizado neste trabalho, ao Professor Maros

Timbó do Instituto de Geoiênias e agradeço ao Departamento de Planejamento

A resposta erta, não importa

nada: oessenialéqueas

pergun-tas estejam ertas.

A tarefa de loalizaçãode um robmóvel onstitui-seomo uma das etapas

funda-mentaisparaseatingiroobjetivodeloomoçãoautnomadomesmo,tendoemvista

queum veíulo deve onheersua posiçãogeográa,em relaçãoaum determinado

referenial,paraonseguirsedesviardeobstáulosonheidosealançarlugares

de-sejados. O umprimentodesta tarefa demandaa utilizaçãode informaçõesruidosas

provenientes de diversos tipos de sensores. Neste trabalho tem-se omo objetivo o

estudo de ténias de fusão sensorial apliadas ao desenvolvimento de um sistema

de loalizaçãopara um automóvel de passeio, o qual será futuramente usado omo

plataforma robótia móvel. O sistema desenvolvido provê não apenas informações

aera da posição geográa do veíulo, mas também fornee estimativas de

velo-idade e orientação ao longo do trajeto, graças à utilização de sensores de posição,

veloidade eaeleração, adequadamenteinstaladose alibrados,ujasmediçõessão

proessadas poralgoritmosdeestimaçãobaseadosnoltrodeKalman. Como

exem-plode apliaçãodosistema de loalizaçãoproposto nestetrabalho, foi desenvolvido

umguiaeletrnioembaradoque,emonjuntoom mapasforneidospreviamente,

pode apresentar informações ao motorista que trafega om o veíulo em um dado

The loalizationtask of a mobile robotis one of the most importantsteps towards

itsautonomousloomotion,sineavehilemustknowitsgeographiposition,must

beable toavoidknown obstales and to arriveat desired plaes. The fulllmentof

this task requires the use of noisy information provided by many types of sensors.

In this work the objetive is the study of sensor fusion tehniques applied to the

development of a loalization system for an automobile, wih will be used later

as a mobile roboti platform in UFMG. The developed system not only provides

information onerning the geographi position of the vehile, but also estimates

its speed and orientation. This is aomplished by the use of position, speed and

aeleration sensors, whih are adequately installed and alibrated. The sensors

measurementsareproessedusingestimationalgorithmsbasedontheKalmanlter.

As an example of appliation of the loalizationsystem proposed in this work, an

onboardeletroni guidewasdeveloped, whih,basedonmapspreviously storedon

Lista de Figuras xvi

Lista de Tabelas xxi

1 Introdução 23

1.1 Motivação . . . 23

1.2 Objetivos . . . 25

1.3 Justiativas . . . 26

1.4 Metodologia . . . 28

1.5 Resultados Alançados . . . 30

1.6 Organização doTexto . . . 30

2 Revisão Bibliográa 33 2.1 O ProblemadaLoalização . . . 33

2.1.1 LoalizaçãoRelativa(Dead-Rekoning) . . . 34

2.1.2 LoalizaçãoAbsoluta . . . 36

2.2 Métodos de Fusão Sensorial . . . 39

2.2.1 Filtro de Kalman . . . 40

2.2.2 Filtro de Kalman Estendido . . . 43

2.3 Trabalhos Relaionados. . . 44

2.4 ConsideraçõesFinais . . . 52

3 Metodologia 53 3.1 ModelagemMatemátia doProblema . . . 53

3.2 Desrição daPlataforma . . . 57

4 Fusão Sensorial e Resultados Experimentais 69

4.1 Congurações . . . 69

4.1.1 Conguração 1 . . . 69

4.1.2 Conguração 2 . . . 71

4.1.3 Conguração 3 . . . 72

4.1.4 Conguração 4 . . . 73

4.2 Ajuste das Matrizes de Covariânia . . . 75

4.2.1 EstimativadoRuído de ProessoAssoiadoaos Sinaisde En-tradae aos Erros de Modelagem . . . 75

4.2.2 Estimativado Ruídode Medição . . . 78

4.2.3 Critériosde Avaliação . . . 79

4.3 Reonstrução de Trajetórias Resultados Experimentais . . . 82

4.4 ConsideraçõesFinais . . . 91

5 Loalização Online 93 5.1 Fusão Sensorial . . . 94

5.1.1 Comuniação Entre Programas . . . 95

5.1.2 Iniializaçãodo Algoritmo . . . 95

5.1.3 EstimaçãodaTrajetória . . . 96

5.2 Interfae Homem-Máquina (IHM) . . . 97

5.2.1 Ferramentas Utilizadas . . . 97

5.2.2 Construçãoda Interfae de Exibição doMapa . . . 99

5.3 Resultados . . . 102

5.4 ConsideraçõesFinais . . . 105

6 Disussão e Conlusões 109 6.1 Visão Geral doTrabalho Desenvolvido . . . 109

6.2 Prinipais Resultados Alançados . . . 109

6.3 TrabalhosFuturos. . . 110

B Espeiações Ténias de Alguns Instrumentos 127

B.1 GPS . . . 127

B.2 Sistema de MediçõesIneriais . . . 128

1.1 Gráo de dados oletados om GPS embarado emum veíulo. . . . 27

1.2 Dados oletados om GPS (*) xono pontoindiado pelotriângulo. . 28

1.3 Dados om perda dosinal GPS em alguns pontos. O pontos expres-sos om (*) representam os pontos oletados sem perda do sinal de satélite; os pontos representados pelo írulo representam os pontos em quehá perda dosinal. . . 29

2.1 Órbitas dos Satélitesde GPS [Pak, 2007℄. . . 39

2.2 Etapas doalgoritmodo ltro de Kalman. . . 42

3.1 Sistema de oordenadas preso ao veíulo. . . 54

3.2 Sistema de oordenadas na Terra. . . 55

3.3 Modelo de Akerman.. . . 56

3.4 Representação da onguraçãofísia dos instrumentosnoveíulo. . . 58

3.5 Reeptor Garminmodelo GPS18. . . 59

3.6 Zonas UTM [Dana, 1994℄ . . . 60

3.7 Sensor MirostrainModelo 3DM-GX1. . . 61

3.8 Bússola Prossional Utilizadano Experimento.. . . 62

3.9 Medida do Sistema Inerial versus Medida da Bússola - Dados Co-letados em um Mesmo Loal. A reta traejada possui inlinação de 45 graus, para efeito omparativo (idealmente, as medidas obtidas deveriam estar sobre a reta) . . . 63

3.11 Sistema de Atuaçãodo Volante. . . 64

3.12 Controladorde Posição EPOS 24/5. . . 65

3.13 Curva de Calibração -Leitura doEnoder e Ângulo das Rodas. . . . 65

3.14 Diagrama elétriodoiruitode ondiionamentode sinal dos

senso-res de veloidadedas rodas . . . 67

3.15 Curva de alibração dosensor de veloidade daroda direita. . . 67

3.16 Curva de alibração dosensor de veloidade daroda esquerda . . . . 68

4.1 Aeleração no eixo

x

- sinal medido pelo SMI (azul) e sinal ltrado (vermelho). . . 76

4.2 Veloidadeangularemtornodoeixo

z

-sinalmedidopeloSMI(azul) e sinal ltrado(vermelho). . . 77

4.3 Comparação da inovação om o limite de onança

±

3

p

P

yy

para

os estados (a)

p

x

e (b)

p

y

utilizando a Conguração 1. As linhas ontínuasorrespondemàinovaçãoeaslinhastraejadasrepresentam

os limitesde onança . . . 80

4.4 Comparação da inovação om o limite de onança

±

3

p

P

yy

para

os estados (a)

p

x

e (b)

p

y

utilizando a Conguração 2. As linhas ontínuasorrespondemàinovaçãoeaslinhastraejadasrepresentam

os limitesde onança . . . 80

4.5 Comparação da inovação om o limite de onança

±

3

p

P

yy

para

os estados (a)

p

x

e (b)

p

y

utilizando a Conguração 3. As linhas ontínuasorrespondemàinovaçãoeaslinhastraejadasrepresentam

os limitesde onança . . . 81

4.6 Comparação da inovação om o limite de onança

±

3

p

P

yy

para

os estados (a)

p

x

e (b)

p

y

utilizando a Conguração 4. As linhas ontínuasorrespondemàinovaçãoeaslinhastraejadasrepresentam

os limitesde onança . . . 81

4.7 Gráo de reonstrução datrajetóriautilizandoaConguração 1. . . 83

4.8 Gráo de reonstrução datrajetóriautilizandoaConguração 2. . . 84

4.11 Gráo do traço da matriz de ovariânia da estimação da posição

utilizandoa Conguração 1. . . 87

4.12 Gráo do traço da matriz de ovariânia da estimação da posição utilizandoa Conguração 2. . . 87

4.13 Gráo do traço da matriz de ovariânia da estimação da posição utilizandoa Conguração 3. . . 88

4.14 Gráo do traço da matriz de ovariânia da estimação da posição utilizandoa Conguração 4. . . 88

4.15 Gráo das veloidades estimadas nas Congurações 1, 2 e 4 e da veloidade medidanaConguração 3. . . 91

5.1 Arquitetura de softwares desenvolvidos para a loalização. . . 94

5.2 Exemplo da busa de segmentos que estão ontidos ou intereptam uma janela. . . 99

5.3 Segmentos originais e espelhados - a operação de espelhamento pos-sibilita ouso daCGAL. . . 101

5.4 Janela para iniialização dosistema de loalização. . . 102

5.5 Janela de exibiçãoda loalizaçãoaolongo do trajeto. . . 103

5.6 TrajetóriaExibida sobre o Mapa. . . 104

5.7 TrajetóriaEstimada Durante a Exeução doExperimento. . . 104

A.1 Loalizaçãodoreeptor - innitaspossibilidades.. . . 122

A.2 Loalizaçãodoreeptor - uma irunferênia de possibilidades. . . 122

A.3 Loalizaçãodoreeptor - triangulação. . . 123

A.4 Fontes deErro naLoalizaçãoporGPS.Adaptadode [Ronnbak, 2000℄124 A.5 Inerteza no posiionamento forneido pelo reeptor GPS de aordo om a geometria daonguração dos satélites. . . 125

C.1 Busa de segmentos pelo mínimo retângulo envolvente - retângulos

são traçadosemtornodossegmentosde orientaçãoarbitráriaeentão,

a veriação de interseção é feita entre os lados dos retângulos e a

janela de busa. . . 132

C.2 Busa de segmentos pelo mínimo retângulo envolvente (Pior Caso).

Nesse aso, a busa seria efetuada em todos os retângulos, porém,

nenhum dos segmentosintereptam a janelade busa. . . 132

C.3 IntervalosElementares. . . 133

C.4 Interseção dos segmentos om um dos limites vertiais da janela de

busa. . . 134

4.1 Resumo das araterístias de ada onguração. . . 74

4.2 Valormédiodotraçodamatriz de ovariâniadaestimativade

posi-ção e do GPS. . . 89

4.3 Tempo total de proessamento em segundos para uma trajetória de

377 segundos, oequivalentea 11500 pontos. . . 90

Introdução

1.1 Motivação

Atarefade loalizaçãoonsistenadeterminaçãodaposiçãogeográade um

deter-minadoobjetoemrelaçãoaum dadoreferenial. Para seloalizaremumambiente,

animaisesereshumanosutilizamseus sentidos. Aobservaçãodoambientepormeio

dos órgãos responsáveis pela visão, tato, audição e olfato, ombinada om

onhe-imentos prévios de possíveis ambientes, leva o érebro a proessar as informações

observadas e hegar a uma onlusão daposição do observador no mundo. Em

sis-temas robótios móveis, os órgãos responsáveis pelos sentidos são substituídos por

sensoresutilizadosparaobservaroambiente. Essas observaçõessão proessadas em

omputadores quefazem otrabalhodo érebro, manipulandoasobservaçõespara

enontrar a loalização.

Estetrabalhoabordaaloalizaçãoautomátiadeumveíuloterrestrebaseado

em um arro de passeio ou automóvel, isto é, a determinação em tempo real da

posição e orientação do veíulo em um determinado ambientepor meio de diversos

sensoresqueforneeminformaçõesaumaunidadedeproessamentoresponsávelpor

ombiná-las am de se obtera melhor estimativade posiçãogeográa.

A tarefa de loalização é uma das mais importantes no desenvolvimento de

veíulos autnomos terrestres [Thrun et al.,2005℄. Esses veíulos são dotados de

sensores e omputação embarada, apaitando-os a se loomoverem para atingir

um objetivo pré-espeiado sem a intervenção humana. Para se loomover de

três questões fundamentais [Borensteinet al.,1996a℄:

•

Onde estou? O veíulo deve saber sua posição e orientação a m de tomar

deisõesquanto aos movimentos seguintes. Essa éa tarefa de Loalização.

•

Para onde devo ir? Para efetuar uma tarefa, o veíulo deve saber para onde

eledeve ir. Ele deve,portanto, ter o onheimentodo Objetivo.

•

Dequeforma eu vou? Umavez onheidaaloalizaçãoedeterminadoo

obje-tivo domovimento, oveíulo deve deidir a maneirade realizaro movimento

paraatingiresseobjetivo. EssatarefaéhamadaPlanejamentodeMovimento.

A tarefa de loalizaçãoé a base da solução da loomoção autnoma e deve

ser tão preisa quanto possível. Porém, para responder a questão de loalização o

robdevesebaseareminformaçõesquetipiamentesãoruidosaseinompletas

pro-venientes de sensores, tais omo GPS (Global Positioning System), aelermetros,

girosópios, bússolas, inlinmetros, âmeras, entre outros. Para ampliar a

ona-bilidadedaloalização, éneessário ombinar as mediçõesdesses diversos sensores,

extraindo de ada uma delas suas melhores araterístias. Este trabalho visa a

instalação de alguns desses sensores no veíulo e o aumento da onabilidade na

informação de loalização utilizando ténias de proessamento de sinais e fusão

sensorial.

Além de viabilizar a loomoção autnoma do veíulo, a loalização

auto-mátia em um automóvel agrega ao mesmo algumas funionalidades, ampliando o

onforto domotoristae onferindo aele maior segurança. A instalaçãode sensores

inteligentes, que informamao usuário sua loalizaçãodentro de um espaço, failita

a ondução do veíulo em ambientes desonheidos, por meio da exibição em um

mapa da sua loalização, podendo, assim, guiá-lo até seu objetivo. Do ponto de

vista da segurança, esses sensores inteligentes podem ajudar o ondutor trazendo

informações que auxiliam a tomada de deisões, ou mesmo limitam determinadas

operações não permitidas para uma via, omo estaionar em loal proibido, parar

sobre uma faixa de pedestres, realizarultrapassagem emtrehos de faixa ontínua,

Aombinaçãodaloalizaçãoominformaçõesdoambientenoqualsetrafega

podeserapliadaaodesenvolvimentodeumguiaturístioeletrnio,oqualinforma

aos oupantes do veíulo os pontos turístios importantes ao longo do perurso,

dizendo qual a atração que está à direita ou à esquerda do veíulo, e trazendo

informaçõesa respeito dessa atração.

1.2 Objetivos

Este trabalho tem omo objetivo geral o desenvolvimento e implementação de um

sistema de loalizaçãoe reonstrução de trajetórias para um automóvelautnomo,

uja onabilidade na informação de posição e orientação do veíulo, bem omo

a frequênia om que essa informação é disponibilizada, sejam superiores àquelas

obtidasusandosomenteum sensorGPS. Esse sistemadeve ontar, ainda, om

tole-râniaafalhasrelativasàperdadosinalGPS.Paraisso, outrossensores deposição,

veloidade, aeleração e inlinação do veíulo são ombinados às medidas do GPS

pormeiodealgoritmosde ltragemestoástia. Asinformaçõesombinadassão

uti-lizadaspara areonstrução posterior datrajetória, após aexeução domovimento,

ou para, em onjunto om o mapa da área perorrida, informar ao usuário do

veí-ulo,duranteo movimento,sobre aproximidadede algunspontosde interesse, tais

omourvas,prédios,redutores develoidade,et. Alémdaposiçãoeorientaçãodo

veíulo, outros estados, que sejam de interesse para o desenvolvimento de sistemas

paraum veíulo autnomo, omo sua veloidade,porexemplo, são estimados.

Osobjetivos espeíosdeste trabalhosão:

•

Denição da relação entre entradas e saídas envolvidas no proesso, a m

de se determinar que grandezas devem ser medidas e quais os sensores mais

apropriados para a mediçãodessas grandezas.

•

Desenvolvimentodeinstrumentaçãoembarada: alibraçãoeondiionamento

eletrniodossensoresabsolutoserelativos,instalaçãodossensoresnoveíulo,

integração dos sensores àunidade de proessamento.

•

Implementaçãoeanálisedealgoritmosparaltragemestoástiade fusão

sen-sorialnareonstruçãodetrajetórias,visandoumaavaliaçãodeseudesempenho

nosaspetosderobustezainertezas,robustezafalhas,ustoeonabilidade.

•

Combinação das informaçõesde sensores om um mapa, eexibição da

loali-zação do veíulo em uma interfae gráa à medida em que ele se loomove

dentro do Campus da UFMG om inerteza inferior e maior robustez que

aquelas providas porum reeptor GPS.

•

Avaliação dosistema desenvolvido, determinando suas araterístias em

ter-mos de robustez e preisão, busando respostas para as seguintes questões:

asinformaçõesdos sensores são onáveis (quala inerteza assoiada às suas

medidas)? Como ombiná-las a m de se obter uma informação que

orres-ponda mais elmente à realidade? Em que situação pode ser melhor utilizar

um ou outro sensor? Por quanto tempo osistema ontinua onável emaso

de perda do sinal GPS?

Postooquefoiexpressoaima,espera-sequeosistemaompostopela

instru-mentaçãoeproessamentodasinformaçõesparaestimaçãode estados, desenvolvido

neste trabalho, ontribua para o desenvolvimento de um arro autnomo.

1.3 Justiativas

O desenvolvimento de um sistema de loalização uja onabilidade e

frequên-ia da informação sejam ompatíveis om os requisitos de um sistema de

on-trole se justia pela neessidade de atenção a esses requisitos no desenvolvimento

de veíulos autnomos. O sistemas de loalização utilizados atualmente,

inlu-sive em produtos omeriais, são baseados apenas em dados de GPS, o qual

for-nee a informação de loalização no plano om uma inerteza de até 30 metros

[Brown & Hwang, 1997℄. Alémdisso,a frequêniade envio dasinformaçõesébaixa

(entre 1Hze 5Hz [Garmin,2005℄).

AFigura1.1mostraumgráotraçadoomosdadosoletados omumGPS

pos-−180

−160

−140

−120

−100

−80

90

100

110

120

130

140

150

160

170

180

Posição X (metros)

Posição Y (metros)

X: −108.8

Y: 134.5

X: −120.1

Y: 148.6

Figura1.1: Gráo de dados oletados om GPS embarado emum veíulo.

18 metros do trajeto e, nesse intervalo, não existe informação desse movimento.

Alémdisso,a posiçãoinformadaporum reeptorGPS pode variar para um mesmo

ponto,omomostraaFigura1.2,queexibeumgráodeumexperimentoondeo

re-eptorGPS semantevexoemum pontode oordenadasonheidas 1

,representado

no gráo pelo triângulo. É possível observar que, apesar do reeptor permaneer

imóvel,foram obtidasinformaçõesvariadas de loalização.

OutraaraterístiadoreeptorGPSéaperdade sinalemasodeobstáulos

omotúneis,onstruçõesouvegetação muitodensa. A Figura1.3mostradados

ob-tidosemumexperimentorealizadoom omesmoreeptor,onde, emalguns pontos,

o número de satélites vistos pelo reeptor foi insuiente para se obter a

estima-tiva de sua posição, e, nesse aso, o reeptor indiou uma informação inorreta de

loalização. Ospontos inorretos estão representados nagura pelos írulos.

Apesar das araterístianegativas menionadas,o reeptor GPS ébastante

utilizado em loalização por ser um instrumento que fornee posição absoluta em

1

Coordenadas obtidasutilizandoum GPS dotipodiferenial ominerteza de

±

0,006 m no

−4

−2

0

2

4

6

−20

−15

−10

−5

0

5

Posição X (metros)

Posição Y (metros)

Figura1.2: Dados oletados om GPS (*) xono pontoindiadopelotriângulo.

relação à Terra. Assim, a ombinação desse instrumento om outros sensores que

possam melhorar a qualidade da informação. Uma das soluções mais adotadas é a

ombinação entre GPS e Sistemas de Navegação Inerial (Inertial Navigation

Sys-tems -INS).Isso oorreporque ossensores enontradosnesses sistemasapresentam

araterístiasomplementares àsdoGPS [Grewal etal.,2007℄. Ossensores de

sis-temas ineriais forneem informaçãoa uma alta taxa de amostragem. Porém, essa

informaçãoédegradadaaolongodotempodevidoaoaúmulodeerros. Aestimação

de estados utilizando a ombinação desses sensores é realizada neste trabalho por

meio de algoritmosreursivos de ltragem estoástia.

1.4 Metodologia

A realização destetrabalho foi possível utilizandoametodologiadesrita aseguir:

•

Para os testes e experimentos foi utilizadoomo veíulo experimental um

au-tomóvelmodeloAstra Chevrolet, ano 2003 2

;

−250

−200

−150

−100

−50

0

50

100

150

200

300

350

400

450

500

550

600

Posição X (metros)

Posição Y (metros)

Figura1.3: Dados om perda do sinal GPS em alguns pontos. O pontosexpressos

om (*) representam os pontos oletados sem perda dosinal de satélite; os pontos

representados peloírulo representam ospontosemque háperdado sinal.

•

Apósadenição dossensores utilizadosnoveíuloparaaloalização,estes

fo-raminstaladosnoveíulo. Foramutilizadosnestetrabalhosensoresdeposição,

veloidade eaeleração, onforme apresentao Capítulo3;

•

A oleta de dados foi realizada em experimentos de movimentação do

auto-móveldentrodoCampus daUFMG, ujomapaderuas eprédiosfoi forneido

peloDepartamentode PlanejamentoFísio eObras (DPFO/UFMG);

•

De posse dos dados oletados, foi realizada a fusão sensorial das informações

para a reonstrução da trajetória efetuada, utilizando diversas ongurações

de sensores ealgoritmos,a m de ompará-las.

•

Apósaavaliaçãododesempenhodas onguraçõesde sensores ealgoritmos,a

forma de premiação pelo trabalho intitulado Desenvolvimento de um motor multiombustível

sobrealimentado, visandoganhos de potênia etorque, sem prejuízo na eiêniaenergétia

ori-ginal,venedor1

o

onguração seleionada foi adaptada para aquisição e proessamento online

das informações, a m de seestimar aloalizaçãodoveíuloem tempo real;

•

Utilizandoo mapadoCampus daUFMG, foipossível onstruiruma interfae

gráa que exibe na tela de um omputador portátil a posição do veíulo ao

longodo trajeto.

1.5 Resultados Alançados

A investigação das ténias e modelos para fusãosensorial realizadaneste trabalho

bemomoarealizaçãodetestesemsituaçõesreaispossibilitouavaliarongurações

adequadas à tarefa de loalização do arro e determinar as limitações do sistema

desenvolvido.

Um dos prinipais produtos deste trabalho é um sistema de loalização em

tempo real onstituído pordiversos programas querealizam aoleta dos dados dos

sensores, um programa responsável pela fusão sensorial e um programa que exibe

graamente os resultados obtidos em um mapa. Esse sistema pode ser utilizado

omo um guia para auxiliaro motorista na sua orientação emum ambiente. Além

disso, asinformaçõesobtidas omo resultado dafusão podem ser utilizadas

futura-menteomodadosderetroalimentaçãoneessáriosaosistemadeontroleautomátio

doveíulo. Estetrabalhoresultou,também,emduaspubliaçõesemongressos que

estão listadasnas referênias [Santos etal., 2008℄e [Freitas etal., 2009℄.

1.6 Organização do Texto

Este texto está organizado em seis apítulos que abordam os seguintes assuntos: o

Capítulo2traz uma revisão de trabalhos similaresque inspirarameste trabalhoou

que auxiliaram no seu desenvolvimento, ontendo o estado da arte do

desenvolvi-mento de veíulos autnomos.

No Capítulo 3, apresenta-se os modelos matemátios utilizados para a

pro-pagação dos estados estimados, além de uma desrição onstrutiva da plataforma

No Capítulo 4, apresenta-se o proedimento utilizado na fusão sensorial

of-ine. A análisedos algoritmosexperimentados nareonstrução de trajetóriaé

dis-utidanesse apítulo.

No Capítulo 5, a apliação dos algoritmos para estimação dos estados de

interesse em tempo real é detalhada. O desenvolvimento da interfae de usuário,

responsável por integrar a estimação de loalização em tempo real a um mapa na

tela de um omputador portátil, tambémé apresentado.

Disussões e onlusões são relatadas no Capítulo 6, o qual apresenta ainda

algumaspropostas de ontinuidadedo trabalho.

OApêndieAapresentaoprinípiodefunionamentodeumreeptorGPS.O

ApêndieB listaespeiaçõesténias de algunsdos instrumentosutilizadosneste

Revisão Bibliográa

2.1 O Problema da Loalização

OproblemadaLoalizaçãoonsisteemresponderaquestãoOndeestou? doponto

devistadoveíulo,ouseja,enontrar suaposiçãonoambientedetrabalho. Noaso

de um veíulo terrestre, loalizar signia enontrar sua posição e orientação em

relaçãoa um sistema de oordenadas global xono ambiente.

Aloalizaçãoéabase para a loomoçãoautnoma. Se o veíulo não tem

in-formaçãosobresualoalização,deidiroqueeledevefazersetornaumatarefamuito

difíil. Alguns autoresonsideram a loalizaçãoomo sendoo problema

fundamen-talpara prover a um rob móvel a habilidade de seloomover de formaautnoma

[Cox, 1990℄.

A perepção do ambiente pelo veíulo é viabilizada pelo uso de sensores,

que podem prover ao sistema de proessamento medidas de loalização absolutas

ou relativas. As observações absolutas são aquelas apazes de forneer informação

da loalização do rob móvel em relação ao ambiente a qualquer momento sem a

neessidadedoonheimentodemedidasanteriores. Elassãorealizadas,geralmente,

pormeio desensores exteroeptivosabsolutos,quemedemvaloresexternosaorob,

omo,porexemplo,adistâniadorobaumobjeto. Asmedidasrelativas,poroutro

lado,neessitamdoonheimentodoestadoanterior dorobpara gerarinformação

de sua posição atual. Elas são obtidas pelo uso de sensores proprioeptivos, que

informam valores internos do veíulo, omo, por exemplo, veloidade das rodas ou

2.1.1 Loalização Relativa (Dead-Rekoning)

As ténias de loalização relativa, ou dead-rekoning, referem-se a uma forma de

navegação baseada na medida de veloidade e direção de movimento de um orpo

e o tempo deorrido desde sua última posição onheida [Bowdith, 1995℄. Essa é

umaformade navegaçãobastanteprimitiva,utilizadatantoparaloalizaçãoquanto

paraprevisãode horade hegadaaodestinoemviagensde aviãoounavio. Otermo

dead-rekoning data doséulo XVII e sua origemé polêmia;alguns diionários de

etimologia armam que dead-rekoning é uma abreviação para dedued-rekoning,

outrosdizemqueotermodead nadatem averom dedued,mas simomosentido

de exato, absoluto, outros ainda, defendem que o termo live era utilizado para

a navegação baseada nas estrelas e no movimento dos planetas, e portanto, dead

seria utilizado para a loalizaçãosem a utilizaçãodessa informação[Adams, 2002℄.

Essa ténia tem sido bastante utilizada até os dias atuais, porém, sua fragilidade

onsiste no aúmulo de erros ao longo do tempo, tendo em vista que o álulo da

posiçãoatual ébaseado nas posiçõesestimadas anteriormente, osquaistipiamente

ontêm erros.

Em robótia móvel, os prinipais modelos e medidas utilizados para a

loa-lização relativa são o modelo de veloidades, a odometria e a navegação inerial,

expliadosa seguir.

Modelo de Veloidades

O modelo de veloidades é utilizado quando a veloidade das rodas não é

dispo-nibilizada para o álulo da posição. Ele é baseado na medição das veloidades

translaional e rotaional do rob, em sua posição anterior, e no tempo deorrido

desde a última estimativa de posição para o álulo das posições posteriores. A

partirdamedida das veloidadesedo onheimentodotempo,épossívelestimar o

desloamentonesseperíodoque,somadoàposiçãoiniial,forneeumaestimativada

posição atual. Porém, não hágarantiasde que asveloidades oletadas em um

de-terminadoinstanteorrespondamàs veloidades de todoo períodode amostragem.

au-real.

Esse modelo é pouo utilizadoomo únia ferramenta para a loalização de

veíulos, mas pode ser utilizado omo subsistema redundante, no aso de falha de

outrosmétodos de loalização, oumesmo nafusãoom outrosmétodos.

Odometria

A odometriaé a ténia de se obter a loalização por meio da integração ao longo

do tempo da veloidade das rodas do rob móvel obtida por enoders. É uma das

téniasmais utilizadas,devido àsua simpliidadeebaixoustode implementação.

A distânia perorrida pelo rob é alulada a partir do número de revoluções de

suas rodas emum determinadoespaço de tempo. O ângulode orientação pode ser

obtidopormeio daomparação dos valores medidos emada uma das rodas.

Para a loalização utilizando a odometria, é neessário um prévio

onhei-mento da posição iniial do rob. Com a utilização dessa ténia, obtém-se boa

preisãopara pequenos períodos e altas taxas de amostragem, porém, porser uma

téniaqueintegraasmedidasaolongodotempo,elaintegratambémoserros, que

se aumulam no álulo e resem indenidamente. Além do aúmulo de erros, a

ténia é vulnerável a derrapagens, que não são ontabilizadas pelos enoders e a

preisão da medição é fortemente dependente da resolução desses sensores. Outra

desvantagem desse método é a sensibilidade ao terreno, que deve ser suave para

um bomresultado, ea sensibilidadeà variaçãooudiferença nodiâmetrodas rodas.

Esses aspetos negativos ausam grandes erros ao longo do tempo, prinipalmente

naorientação[Negenborn, 2003℄.

Apesardasfragilidadesdométodo,aodometriaéamplamenteutilizada,

prin-ipalmenteemonjuntoomoutrosmétodos,pormeiodefusãoeintegraçãosensorial

[Borensteinet al.,1997℄.

Sistemas de Navegação Inerial

Sistemasde Navegação Inerial (Inertial NavigationSystems - INS)são ompostos

por girmetros e aelermetros para medir veloidade angular e aeleração linear,

va-seobterodesloamentoangular. Aelermetros sãosensores quemedemaeleração

linear nos três eixos (x, y e z). A aeleração deve ser integrada duas vezes para

a obtenção do desloamento linear em ada um dos eixos. Aelermetros não são

apropriadosparaterrenos desuperfíieirregular,poisdevidoàinlinaçãodoterreno

(e onsequente inlinaçãodo sensor), uma omponente da aeleração gravitaional

estarápresente nos outroseixos além dovertial [Borensteinetal., 1997℄.

O INS, assim omo a odometria, também sofrem om o problema de

aú-mulo de erros de integração (drift), portanto não são apropriados para a

es-timação de posição por um longo período. Porém, o INS é mais preiso e

pode forneer informação a uma taxa de amostragem tão alta quanto a

odo-metria [Borensteinet al.,1996b℄. Atualmente, esses sistemas são utilizados em

onjunto om outros sensores absolutos, que podem ajudar a diminuir o

aú-mulo de erros de integração [Barshan &Durrant-Whyte, 1995℄. Uma

ongura-ção bastante utilizada é a ombinação desses sensores om magnetmetros, que

orrigem erros na orientação, um dos mais signiantes parâmetros da loalização

[Borensteinet al.,1997℄.

2.1.2 Loalização Absoluta

A medição absoluta da posição onsiste na obtenção da posição do rob

indepen-dente dainformação de posiçãoem instantes anteriores,ou seja,sem aneessidade

de se integrar uma sequênia de medições para se hegar à posição atual. Para

se obter a posição om um sensor absoluto, basta onsiderar sua medida naquele

instante. A prinipalvantagem dos sensores absolutos é queseus erros não resem

indenidamente, poisnão háintegração das mediçõesrealizadas.

Umsensor absoluto pode forneera loalizaçãoompleta dorob ouapenas

um de seus parâmetros (omo o magnetmetro, por exemplo, que fornee apenas

o ângulo de orientação em relação ao ampo magnétio da Terra). Os sensores

absolutos podem ser baseados emmapas ouem maradores (landmarks).

A loalizaçãobaseada em mapas(tambémonheida omo model mathing)

utiliza araterístiasgeográas doambiente que podem ter sido extraídas de um

obstáulos,et. Essa representação éarmazenadanoveíuloe,àmedidaemqueele

realizao trajeto planejado,um novo mapeamentoda região emque elese enontra

é feito e omparado ao mapa armazenado. Nessa omparação é possível obter a

loalizaçãodopadrãoobservadonomapaglobale,assim,aloalizaçãodoveíulo. O

usodessaténiaéadequadoaambientesondeoenárionãosofregrandesmudanças

ao longo do tempo. Essa é uma ténia bastante utilizada em ambientes internos

emonjuntoomsensores relativos,naorreçãodeestimativas,porexemplo,obtida

peloálulo daodometria[Fang et al.,2006℄.

Maradoresoulandmarks sãoobjetosujaposiçãoéonheidaexa. Existem

dois tipos de landmarks: os ativos e os passivos. Um sensor de landmarks ativos

reebe sinais de seus maradores indiando a posição relativaentre osensor e ada

landmark.

Os landmarks passivos não enviam sinais ao seus sensores; são os sensores

que efetivamente detetam a presença de um landmark em seu ampo de visão e

alulamsuadistâniaemrelaçãoaeles. Oslandmarks passivospodemser naturais

ouartiiais.

Oslandmarks naturaissão objetosquefazem partedeum determinado

ená-rio,omo porexemplo,árvores,portas, janelas, sinaisde trânsito. Ossensores mais

utilizadospara detetar esse tipode maro são as âmerasde vídeo. Oslandmarks

artiiaissão aqueles inseridos no enário espeiamente para servir de referênia

parao sistema de loalização,omo guras geométrias, plaasoloridas,

dispositi-vos RFID's (Radio-Frequene IDentiation), et.

Osprinipaismétodos de loalizaçãoporlandmarks ativossão a trilateração

e a triangulação [Borensteinet al.,1997℄ [Singhal, 1997℄. A ténia da trilateração

onsiste em utilizar a informação de distânia do sensor a três ou mais landmarks

para alularsua posição e orientação. A triangulação utiliza, além das distânias,

os ângulos entre os sistemas de oordenadas do sensor e dos landmarks para esse

álulo. Osensor absolutomais utilizadoatualmenteéoGlobal Positioning System

(GPS),que é um sensor de landmarks ativos que utiliza o método da triangulação

Global Positioning System

OSistemadePosiionamentoGlobal,maisonheidoomoGPS(GlobalPositioning

System, é um sistema de navegação baseado em satélites desenvolvido pela Força

AéreaepeloDepartamentodeDefesados EstadosUnidos daAméria. Esse sistema

foi oloado emoperação na déada de 90,mas seu desenvolvimento teve iníio no

nal dadéadade 70[Stuk & Kuga,2005℄.

Autilizaçãodessesistemadeposiionamentoporiviséparialmenteaberta.

Usuários do mundo todo têm aesso à informação de posição, veloidade e tempo

om erta preisão, dependendo do reeptor, ondições limátias,loalização

geo-gráa,et. Ossatélitesqueompõemosistemade navegaçãotransmitem sinaisde

radiofrequênia ontendo informações suientes para que o reeptor ompute sua

posiçãoeveloidade. Para queesseálulosejapossível,éneessárioqueoreeptor

apte osinal de, pelo menos,três satélites. O reeptor utiliza a téniade

triangu-lação para alular sua latitude, longitude e altitude. Mais informaçõessobre essa

téniaenontram-se noApêndieA.

Atualmente o sistema é omposto de 24 satélites (e mais 4 sobressalentes)

distribuídosde formaaproximadamenteuniformeemseis órbitasaoredordaTerra.

Cada órbita possui 4 satélites. Cada satélite gasta 12 horas para ompletar uma

voltaaoredor daTerra. Isso fazom queum usuário loalizadoemqualquer ponto

daTerra tenha visibilidadea pelo menos quatro satélites todoo tempo, desde que

não haja obstáulos entre o satélite e o reeptor (Figura 2.1). A geometria dos

satélites visíveis no éu muda ao longo do tempo, pois os satélites não são

geoes-taionários [Brown &Hwang, 1997℄. O reeptor é apaz de identiar qual satélite

envia um sinal a ada momento por meio de uma sequênia pseudo-aleatória que

é transmitida pelo satélite. Sua loalizaçãoao redor da Terra é monitorada e

atu-alizada periodiamente por estações terrestres que veriam também o status da

atividadedos satélites.

Atransmissão de mensagensporondasde rádio trazaosistema erta

fragili-dade a variações geográas e atmosférias. Perturbações omo reexão e refração

sa-Figura2.1: Órbitas dos Satélitesde GPS [Pak, 2007℄.

informação. Alémdisso, um ruído do tipo random walk [Papoulis & Pillai,2001℄ é

inserido no sinal enviado pelos satélites, o que faz om que o reeptor pareça

es-tar em movimento, mesmo quando está parado. Para orrigir esses problemas, a

ombinação desse sistema om outros sensores é uma saída omumente utilizada

[Grewal etal.,2007℄. Maiores detalhes sobre o funionamento do GPS utilizado

neste trabalhoestão desritos naSeção 3.1.1.

2.2 Métodos de Fusão Sensorial

NaSeção 2.1foramapresentados alguns tiposde sensores quepodem ser utilizados

na solução do problema de loalização. Porém, para que seja possível aproveitar

as araterístias de ada sensor, é neessário ombinar a informação de diversos

sensores. Esse éo objetivo dos métodos de fusão sensorial: ombinar a informação

proveniente de sensores diferentes, om diferentes araterístias e frequênias de

amostragem, valendo-se do onheimento do modelo matemátio que determina a

evolução temporal das variáveis de estado do sistema, a m de se obter uma boa

estimativa das variáveis em questão. As ténias de fusão sensorial tratam de

ba-lanear as araterístias de ada sensor, para que a estimativa obtida seja mais

onável do queada mediçãoobtida separadamente.

A fusão da informação sensorial pode oorrer entre sensores que observam

uma mesma variável de um proesso, o que é hamado de interação redundante,

entre sensores omplementares, que observam variáveisdiferentes doproesso e em

serve de base para as observaçõesdo outro sensor [Luo &Kay, 1989℄.

São duas as prinipaisabordagens utilizadasnas ténias de fusão sensorial:

métodos de fusão estatístia e métodos de fusão probabilístia [Singhal,1997℄. As

ténias de fusão estatístia são aquelas baseadas no método de aproximação por

mínimos quadrados, utilizado para predizer valores de variáveis ontaminadas por

sinais aleatórios. São exemplos dessa ténia o ajuste por mínimos quadrados e os

algoritmosbaseados naltragem de Kalman. Essas ténias são mais utilizadasna

fusãono níveldo sinal, onde a informaçãoltrada possui araterístias

semelhan-tes àsinformaçõesforneidaspelos sensores. As ténias de fusãoprobabilístiasão

aquelas baseadas nos oneitos de inerteza e onança inerentes à Teoria da

Pro-babilidade, omo as redes Bayesianas e a lógia fuzzy, e são omumente utilizadas

para a fusão sensorial de informações om um nível de abstração elevado, omo a

fusãoao nívelda araterístia,ouao nível dosímbolo[Fonsea,1999℄.

Ossensores envolvidos nestetrabalhoforneeminformaçõesde posição,

velo-idadeangular do veíulo, aeleração linear, veloidade angular das rodas e ângulo

degirodovolante. Todosossinaisforneidosporesses sensores são digitaise

amos-trados a diferentes taxas. Considerando os objetivos deste trabalho, são utilizados

algoritmosdefusãosensorialbaseadosnoFiltrode Kalman. AsSeções2.2.1 e 2.2.2

apresentam ofunionamentodesses algoritmos.

2.2.1 Filtro de Kalman

O Filtro de Kalman (KF, do inglês Kalman Filter), desrito pela primeira vez em

1960porRudolfEmilKalman [Kalman,1960℄,é uma soluçãoreursiva para o

pro-blema da estimação de estados de sistemas lineares e Gaussianos. É um algoritmo

não polarizado e de variânia mínima para a estimação de estados de um sistema

dinâmioapartirdemediçõesruidosasede ummodelodosistema. Usualmente, na

utilização do KF assume-se um modelo linear disreto para o sistema em questão

representado emespaço de estados:

x

(

k

) =

A

(

k

−

1)

x

(

k

−

1) +

B

(

k

−

1)

u

(

k

−

1) +

w

(

k

−

1)

,

(2.1)

sendo

x

∈

R

n

o vetor de estados,

u

∈

R

m

o vetor de entradas,

A

(

k

−

1)

∈

R

n

×

_n

,

B

(

k

−

1)

∈

R

n

×

_m

e

C

∈

R

p

×

_n

as matrizesdo modelo,

w

e

v

são variáveisaleatórias que representam os ruídos de proesso e de medição, respetivamente.

Assume-se que

w

e

v

são variáveis aleatórias Gaussianas, mutuamente independentes, de médiazeroeujasmatrizesdeovariâniasão

Q

(

k

−

1)

e

R

(

k

)

. Éimportantenotar que as matrizes do modelo podem variar ao longo do tempo. O ltro de Kalman

não é restrito a esse tipo de sistema, podendo ser utilizado em sistemas variantes

no tempo e, om algumas modiações, pode ser apliado a sistemas não-lineares

[Teixeira, 2008℄.

De posse do modelo, o objetivo do algoritmo é minimizar o valor esperado

para o erro quadrátio de estimação assoiado ao vetor de estados

x

(

k

)

. Isso é equivalente a minimizar o traço da matriz de ovariânia dos erros de estimação

[Welh &Bishop, 2006℄, [RiosNeto &Hemerly, 2007℄.

Oalgoritmode estimaçãodo KFé, basiamente, onstituído de duas etapas:

predição ou propagação e atualização ou orreção. Na etapade predição os estados

são alulados a partir do modelo disreto, utilizando-se a estimação obtida na

iteraçãoanterior

x

ˆ

(

k

−

1

|k

−

1)

paraestimarosestadosdaiteraçãoatual

x

ˆ

(

k|k

−

1)

, ouseja,omodelo épropagado parase enontrar um estimativadoestadoatual, tal

que

ˆ

x

(

k|k

−

1) =

A

x

ˆ

(

k

−

1

|k

−

1) +

Bu

(

k

−

1

|k

−

1)

,

(2.3)

ˆ

y

(

k

) =

C

x

ˆ

(

k|k

−

1)

.

(2.4)

Essa estimação obtida na predição

x

ˆ

(

k|k

−

1)

e

y

ˆ

(

k

)

é hamada de esti-mativaa priori. Emseguida,alulam-seas matrizesde ovariâniadaestimação e

oganho de Kalman:

P

(

k|k

−

1) =

AP

(

k

−

1

|k

−

1)

A

T

+

Q

(

k

)

,

(2.5)

P

yy

(

k|k

−

1) =

CP

(

k|k

−

1)

C

T

+

R

(

k

−

1)

,

(2.6)

P

xy

(

k|k

−

1) =

P

(

k|k

−

1)

C

T

,

(2.7)

K

(

k

) =

P

xy

(

k|k

−

1)

P

−

₁

yy

(

k|k

−

1)

.

(2.8)

paraorrigiraestimativado estadoom basenamedição

y

(

k

)

doinstanteatual. A etapade orreção levaemonsideraçãoadiferençaentre ovetorde medições

y

(

k

)

e aestimativaa priori das saídas

y

ˆ

(

k

)

, onheida ominovaçãopara obter umanova estimativa,a estimativaa posteriori dos estados, dada por:

ˆ

x

(

k|k

) = ˆ

x

(

k|k

−

1) +

K

(

k

)[

y

(

k

)

−

y

ˆ

(

k

)]

.

(2.9)

ApartirdoganhodeKalmanedasmatrizesdeovariâniaapriori,épossível

alularamatrizdeovariâniadaestimativaaposteriori paraseavaliarainerteza

assoiada à estimação resultante:

P

(

k|k

) =

P

(

k|k

−

1)

−

K

(

k

)

P

yy

(

k|k

−

1)

K

T

(

k

)

.

(2.10)

A Figura 2.2ilustra as etapas do algoritmodo ltro de Kalman. O ltro de

Kalman é um algoritmo apaz de inorporar à sua estimativa toda a informação

quepossa serforneidaaele, desdeque obedeidassuas restriçõesde linearidadedo

modelo,ruídoGaussianoede médianula,forneendoaindaainertezadaestimação

obtidaao nal de ada iteração [Maybek, 1979℄. Porém, o sistema estudado neste

trabalho apresenta uma relação não-linear entre as entradas e os estados. Nesse

aso, outrasversões doFiltro de Kalmansão utilizadas,omo porexemplo, oEKF

2.2.2 Filtro de Kalman Estendido

O Filtrode Kalman Estendido (EKF) é uma adaptação doKF para sistemas

não-lineares. Nesse algoritmo, o sistema é linearizado emtorno da última estimativa a

ada iteração. Essa linearização é realizada utilizandoderivadas pariaisdas

equa-çõesdo proesso[Jazwinski, 1970℄, [Aguirre,2007℄.

No álulo dos estados utilizando o EKF, assume-se que a equação que

des-reve a dinâmiadosistema éuma equação de diferenças não-linearom função de

saída tambémnão-linear:

x

(

k

) =

f

(

x

(

k

−

1)

, u

(

k

−

1)) +

w

(

k

−

1)

,

(2.11)

y

(

k

) =

h

(

x

(

k

)) +

ν

(

k

)

.

(2.12)

No algoritmo do EKF, alula-se a estimativa a priori dos estados a partir

domodelo não-lineardo sistema. Emseguida, alula-seas matrizesJaobianas do

modelo (

F

(

k

)

) e das medidas (

H

(

k

)

). A partir dessas matrizes, a ovariânia dos errosassoiadaàestimaçãoapriori (

P

(

k|k

−

1)

)é aproximada,onformeaseguinte equação:

P

(

k|k

−

1) =

F

(

k

−

1)

P

(

k

−

1

|k

−

1)

F

T

(

k

−

1) +

Q

(

k

−

1)

.

(2.13)

Oganho de Kalman éobtido omo:

K

(

k

) = (

P

(

k|k

−

1)

H

T

(

k

))(

H

(

k

)

P

(

k|k

−

1)

H

(

k

)

T

+

R

(

k

−

1))

−

1

.

(2.14)

A estimativaa posteriorié dada por:

ˆ

x

(

k|k

) = ˆ

x

(

k|k

−

1) +

K

(

k

)[

y

(

k

)

−

H

x

ˆ

(

k|k

−

1)]

.

(2.15)

Pode-se dizer que os passos para implementação do algoritmo do Filtro de

Kalman Estendido são os mesmo do Filtro de Kalman, desde que substituídas as

matrizesdomodeloporsuasmatrizesJaobianasavaliadasaadaiteraçãonoponto

deoperaçãoorrespondenteaoinstanteatualnoálulodasmatrizesde ovariânia.

Paraautilizaçãodessesalgoritmosde fusãosensorialéneessárioonheeromodelo

2.3 Trabalhos Relaionados

A loalização é neessária em grande parte dos métodos de planejamento de

mo-vimento e ontrole enontrados na literatura. A loalização pode ser vista omo

uma transformação entre sistemas de oordenadas. Assumindo-se que os sensores

instaladosno rob são apazes de forneer sua posição loal, ou seja, em relação a

um sistema de oordenadas axado na origem do movimento, é neessário, então,

denirsua posição emrelaçãoa um sistema de oordenadas global.

Na loalização global são utilizados sensores absolutos, tais omo: sistemas

de visão omputaional, GPS ou informações de mapas. Porém, sensores absolutos

são, em geral, muito lentos ou não têm taxa de amostragem bem denida (omo

sensores que utilizam maros no ambiente para se loalizar), fazendo om que a

taxade atualização da estimação sejabaixa, o que não ésuiente para o ontrole.

Nesse aso, utilizam-sesensores relativosomo omplementopara suprir oontrole

om informações nesse intervalo [Bonnifaitet al.,2003℄. Em ambientes externos,

umaombinaçãobastanteutilizadaéaintegraçãoentre GPSeunidadesde medidas

ineriais (IMU). Os trabalhos desenvolvidos por Caron e outros (2006) e Zhou e

outros(2007) são exemplos de sistemas om essa onguração de sensores.

Outraformade seampliarapreisãonaloalizaçãoéautilizaçãode ténias

de visão omputaional para enontrar e identiar maros visuais no ambiente.

Com autilização de uma âmera presa ao veíulo, é possívelsaber, por exemplo, a

posiçãorelativaentre oveíuloeummarovisuale,então, onheendoaloalização

domaro,determinaraloalizaçãodoveíulo. Essaténiaéutilizada,porexemplo,

em[Moreira etal.,2007℄.

Otrabalho de Roumeliotise Bekey (1997) desreve uma implementação que

ombina a informação de sensores relativos, omo potenimetros que medem o

ângulo das rodas, girmetros e enoders om a informação de um sensor global

que provê a orientação do veíulo baseada na posição do Sol. A fusão sensorial

foi realizada por meio do algoritmo do EKF de uma forma sequenial, suprindo o

sistema de loalizaçãoom informações baseadas nos enoders quando o rob não

dosemrobótiamóvelutilizandométodosestatístios eamaioriadeles utilizaomo

algoritmodeestimaçãode estadosoltrodeKalmanesuasvariações. Ouso doKF

omo método de fusão sensorial ébastantedifundido, prinipalmente emtrabalhos

em que se deseja ombinar informações de sensores absolutos om informações de

sensores relativos,omo em [Caron etal., 2006℄, ujo objetivo é o desenvolvimento

de um algoritmo de integração de sensores levando em onsideração o ontexto.

Para tal, o trabalhoutiliza KF e lógia fuzzy, agregando informação à estimação e

avaliando avalidadedos valoresmedidos.

Comoobjetivode reduzireeliminaroerro deposiçãoproduzidopelas

iner-tezasnas restriçõesexistentesentre asrodasdorobeosolo,emLineoutros(2004)

utiliza-seoltrode Kalmanparafusãosensorialdos dadosprovenientes de sensores

ultrasnios, girosópio e enoders. Os enoders foram posiionados nas rodas e

medem a posição dos motores de passo para alular a orientação do rob. Essa

informaçãoéfundida om ainformaçãodogirosópiopara seobter uma estimativa

doângulode orientação. Segundo osautores, o erro máximode posiçãoenontrado

om o estimador implementado foi de 50mm e o erro máximo de orientação foi de

2,5 o

.

Otrabalho desritoem [Ivanjko etal.,2005℄ apresenta a implementação dos

dois estimadores mais omumente utilizados em fusão sensorial para sistemas

não-lineares,oEKFeoUKFeaomparaçãodedesempenhoentreeleseomo

posiiona-mentobaseado em odometria. A partirdos resultados apresentados nesse trabalho,

é possível notar que a fusão sensorial melhora signiativamente o desempenho da

loalização em relação aos sensores separadamente. A porentagem de erro

obser-vada nesse trabalho para o algoritmo EKF é, em média, ligeiramente menor que

noUKF, porém, pode-se notar pelos gráos, que o UKF apresenta uma ltragem

mais suave, ou seja,o erro ometido na estimativaem ada iteraçãoé menor que o

observado para o EKF.

UmaversãomodiadadoEKF,oInterlaedExtendedKalmanFilter é

apre-sentada notrabalhode Panzierieoutros(2005). Oprinípiobásiodesseestimador

é a divisão do sistema em partes que são proessadas paralelamente, a m de

estimaçãoótima. Assim,elaéadequadaparaouso emsistemasdetemporeal,onde

obaixo ustoomputaional éum requisito do sistema.

O SPKF (sigma-point Kalman lter), ou UKF é omparado ao EKF em

um trabalho que visa integrar GPS e INS utilizando sensores de baixo usto. Na

omparação,osautoresonluemqueoSPKFéumalgoritmodefáilimplementação

ede mais rápida onvergênia queo EKF [Liet al.,2006℄. O UKF, queé um ltro

de Kalmanparasistemasnão-linearestambémbaseado noálulode pontossigma,

é utilizado em omparação om o EKF no trabalho de Zhang e outros (2005). Os

resultadosobtidosmostramqueainertezanaestimaçãoobtidaomoUKFémenor

que a om o EKF para a onguração de sensores utilizada. Foram utilizados um

GPS, uma IMU e uma bússola digitalpara a loalizaçãode um veíulo terrestre.

As pesquisas sobre veíulos autnomos terrestres, que inluem fusão

senso-rial para loalização, reeberam um grande inentivo om a iniiativa da DARPA

(Defense Advaned Researh Projets Ageny) de promover desaos nessa área. A

DARPA é uma agênia de defesa ameriana responsável pelo desenvolvimento de

novas tenologias para uso militar. Os desaos da DARPA trouxeram avanços e

ampliaramadivulgaçãodaspesquisas. Oprimeirodesaofoipromovidoem2004,o

DARPA Grand Challenge,uma orridanaqualos veíulos deveriam perorrer uma

rotaespeiadaemumdesertodoestadodaCalifórnia,nosEstadosUnidos. Nesse

primeirodesao,nenhumdos veíulos onseguiuompletaraprova[DARPA, 2004℄.

Muitas equipes que partiiparam do desao de 2004 onorreram também na

se-gunda versão doDARPA Grand Challenge em 2005 e dentre elas, algumasse

las-siaram para a etapa nal do desao, omo a Axion Raing, a Insight Raing, o

Red Team, o Si Autonis II, o Team Calteh, o Team ENSCO, a Terra Max e o

The GolemGroup.

AequipeAxion Raingem2004utilizouomosensoresparaaloalizaçãoum

GPS-oCoremiroUNCUN1,daAmeriaGNC -integradoaumsistemaINS/IMU.

OsistemaCoremiro AHRS/INS/GPSIntegrationUnit produzinformaçãode

loa-lizaçãobaseada emumreeptorGPS de12anais(issosigniaqueoreeptorpode

se omuniar om até 12 satélites ao mesmo tempo). No momento em que o sinal

medidapeloGPS para enontrar sua posição atual. Para isso, o sistema utilizaum

algoritmoproprietáriodosistemadaCoremiro [Kehaly etal.,2004℄. Nodesaode

2005 a equipe deidiu utilizar outro modelo de sensor inerial, o Northrop

Grum-manLN270InertialNavigationSystem. Essesistemaaeitaentradasdeumreeptor

GPS e alula a posição baseado nos sensores ineriais quando o GPS tem o sinal

obstruído ou de má qualidade. Como reeptores GPS a equipe utilizou dois

equi-pamentosmodelo NavCom SF2050, que são ompatíveis om o sistemaINS. Nesse

veíulo, ossistemas de loalizaçãoe deteção de obstáulos funionamde forma

in-dependente, ou seja, o sistema de desvio de obstáulos não utiliza informações de

loalizaçãopara identiarbarreiras[Kehaly et al.,2005℄.

AequipeInsight Raing, nodesao de2004, tambémoptouporutilizarGPS

e INS omo prinipal sistema de loalização. Com esses sensores é possível obter

posição, direção e veloidade do veíulo. Ambos os sensores estão em um mesmo

equipamento, oPOS LV, daApplanix Corporation, quepossui omo prinipalfonte

de informaçãoossensores INS. Essa informaçãoéatualizadasemprequea

informa-ção de GPS está disponível. Se o sistema deixar de reeber informações de GPS,

apenas o INS é utilizado na loalização. A equipe arma que se a informação do

GPS não estiver disponívelpordois minutos, aindaassim a preisão daloalização

éde 0,60 metros. Oveíulo ontatambémom um enoder óptio quedetermina a

posição dovolante. Essa informaçãopode ser utilizadaemonjunto om o sistema

POS LV para melhorar a loalização em aso de perda do GPS [Randall,2004℄.

No ano de 2005 a equipe Insight Raing também alterou seu sistema de

loaliza-ção. Nesse ano, oveíulofoi equipadoom dois reeptores GPS om araterístias

omplementares. Ambossão apazes de utilizar o sistema WAAS e, no modo

dife-renial, podem hegar a uma preisão de aproximadamente 0,1 metros. O sistema

WAAS (Wide Area Augmentation System) é omposto por 25 estações terrestres,

loalizadas nos Estados Unidos, que enviam informações ao reeptor do GPS om

orreções para diminuir os erros de sua medida. Os modelos utilizados são o

No-vatel Propak LB plusGPS e o Garmin GPS 16A. O sistema de navegação inerial

utilizadoé o modelo Crossbow AHRS 400. Oalgoritmo de loalizaçãorealiza a

lizada[Randall etal., 2005℄.

O veíulo desenvolvido pelo Red Team em 2004 era equipado om Sistema

de Posição e Orientação baseado emGPS/INS hamado POS, da Applanix

Corpo-ration. Esse sistema é pareido om o utilizado pela equipe Insight Raing, porém

ontatambémom umindiador de distâniaperorrida (DMI- Distane

Measure-ment Indiator). Eleintegraasmedidasineriaise doDMIpara obtera estimativa

de posição e orientação entre uma medida de GPS e outra, utilizando o algoritmo

do ltro de Kalman [Whittaker, 2004℄. Em 2005 a equipe aresentou o álulo

daodometriaao sistemautilizando o ltro de Kalman e um reeptor GPS

diferen-ial (modelo Trimble AG132 om orreção Omnistar VBS, além de substituírem

o sistema POS pelo sistema POS LV, o mesmo utilizado em 2004 pela equipe

In-sight Raing que, segundo a equipe,fornee estimação de posição e orientação om

preisãode meio metro [Whittaker, 2005℄.

A equipe Si Autonis II utilizou em 2004 um reeptor GPS diferenial,

modeloNavom Starre SF-2050G, umaIMU, modelo RokwellCollins GMC-10, e

umodmetroinrementalquefornee adistâniaperorridapormeio de umsensor

de Efeito Hall, assumindo-se que não haja derrapagem no movimento. Em longas

distânias, o sistema GPS/IMU é utilizado. Um aelermetro destinado a medir a

rugosidadedoterrenofoiinstaladoparareduziroserrosdeintegraçãodaaeleração.

Oângulodovolanteémedidonaolunade atuaçãodomesmo. Naausênia desinal

GPS, é utilizadotambémum magnetmetro3D além daodometriae afusão entre

todos esses instrumentos também é realizada por meio do algoritmo do Filtro de

Kalman[Gunthner, 2004℄. Em2005 a equipe não modiouos sensores utilizados,

renandoapenas oalgoritmode fusão, queagorareebeumaonguraçãodiferente

paraamatrizdeovariânianoltrodeKalmandependendodainformaçãoqueestá

disponívelnaquele momento. CasooGPS nãoesteja disponívelnomododiferenial

ouno modonormal, a loalizaçãoé realizadaom a integração dos outros sensores

[Porter etal., 2005℄.

O Team Calteh também utiliza em seu veíulo um reeptor de GPS

dife-renial. Em asos de perda do sinal do GPS o veíulo onta om informações de

que o veíulo se enontra om veloidade zero, atualizando também a informação

deposiçãoforneidapeloGPS quandodisponível[van Gogh etal.,2004℄. Oveíulo

utilizadonodesaode 2005 ontou om os mesmosinstrumentosde 2004, um GPS

diferenial e uma IMU, que foram ombinados por meio do algoritmo do ltro de

Kalman para a obtenção da estimação dos estados. Essa estimação era enviada

por uma rede a todos os outros módulos presentes no veíulo, omo o módulo de

planejamento,porexemplo. Oveíuloreebeu tambémafunionalidadede

armaze-namentode informaçõesrelativas aos terrenos já visitados para utilizaçãoposterior

[Cremean etal.,2006℄.

O Team ENSCO utilizou, no primeiro desao, uma ombinação da posição

absoluta forneida por um GPS dotado de orreções Omnistar, WASS e função

diferenial dentro de uma área de obertura determinada, om um INS em que

o algoritmo de fusão utilizado também é o ltro de Kalman. Para aumentar a

preisão da posição e orientação do veíulo, o onjunto GPS+INS foi ombinado

om um radar 3D e um magnetmetro, obtendo preisão sub-métria. Os testes

realizados mostraram que quando a informação do GPS a indisponível por 30

segundos, o sistema é apaz de manter a estimação de posição 2D om preisão

inferiora1metro[Carr, 2004℄. Oveíuloquepartiipoudodesaode 2005também

utilizouaombinação GPS eINS, poréma ombinaçãoé realizadaporum sistema

Novatel SPAN (Synhronized Position Attitude Navigation), que fornee a posição

om grande preisão (10 m) a uma taxa de 20 Hz. A equipe notou que a falta do

sinalde GPS porum longo períodoausava um grandeaúmulode erros noálulo

daorientação. Parasoluionaresse problema,foraminstaladosdois reeptoresGPS

noveíulo. Com oveíulo parado,era alulado o vetor entre um reeptor e outro,

bemomoadistâniaentreeles. Casoadiferençaentreadistâniaaluladaeareal,

que era onheida, estivesse dentro do limite testado pela equipe, então o ângulo

do vetor obtido poderia ser onsiderado omo orreto, om alguns graus de erro.

Alémdisso, osegundo reeptor GPS funionariaomouma medidaredundante que

poderiaforneeraposiçãoemasodeindisponibilidadedesinalnoprimeiroreeptor

[Carr& Mee, 2005℄.

orreçõesOmnistarHP efunção diferenial. Esse modelo foibastante utilizadonos

veíulos desse desao. Para a obtenção dos ângulos de orientação nos três eixosfoi

utilizada uma bússola 3D. As aelerações e veloidades angulares foram medidas

utilizandoumaIMU. Aveloidadedas rodasfoiobtidapelobarramentodeontrole

doveíulo. NosinstantesemqueasmedidasdoGPSestãodisponíveis, aloalização

érealizadaapartirdessasmedidas. NosintervalosentreumamedidadeGPSeoutra,

é feito o dead rekoning das medidas da IMU. Essa informação é ombinada om

asmediçõesdabússola para obter a loalização[Fravert, 2004℄. Em2005, a equipe

optou por utilizar duas unidades de um sensor que faz a ombinação onboard de

GPS eIMU (modeloRT3100s,daOxford TehnialSolutions). Esse sensorfornee

a posição do veíulo em tempo real a uma taxa de 100 Hz mesmo que não haja

informaçãodoGPS. Um dos sensores foi ongurado para utilizaro GPS nomodo

diferenial e o outro para utilizar as orreções WAAS. No aso de perda do sinal

GPS,osensormantém aloalizaçãoutilizandoapenasaIMU. Para auxiliaraIMU,

aveloidadedas rodas éforneida omoentrada parao RT3100. Emaso de perda

de todoosistema RT3100, outro sistemabaseado emodometriaentra emoperação

apartir damedida das veloidadese ângulo das rodas [Braid etal.,2006℄.

A equipe The Golem Group partiipou do desao de 2004 om um veíulo

equipadoomumINS eummagnetmetrode trêseixos, ambosdaRotomotion,um

potenimetroque media aposição da olunade direçãodo veíulo e um sensor de

EfeitoHall(enoder) para medirarotação doeixo traseiro,alémde dois reeptores

GPS, o primeiro, modelo Trimble AgGPS 114, foi montado no teto do veíulo e o

segundo, modelo Garmin GPS V, é utilizadoomo bakup do sistema. Ambostêm

aapaidade derealizarorreçõesdifereniais. AsinformaçõesdosGPS difereniais

são ombinadas om a IMU e o enoder om a utilizaçãode um algoritmode

esti-mação hamado Interating Multiple Model (IMM), que utiliza diferentes modelos

seleionadospara ada situação. Nosmomentosde perda dosinal GPS, odead

re-koning é realizadoom as informaçõesda IMU e daodometria[Mason, 2004℄. Em

2005, a equipe modiou tanto o hardware quanto o algoritmode fusão utilizado.

OGPS foi substituído por um NovAtel Propak-LBPlus om orreção OmnistarHP

equipe arma que em ondições típias a estimação apresenta erros de loalização

inferioresa 30m [Mason etal.,2006℄.

A equipevenedora do desao de 2005 foi a Stanford RaingTeam, om seu

veíulo Stanley, que não havia partiipado do desao de 2004. A loalização teve

omoprinipalfontedeinformaçãoum reeptor GPS,euma IMU,omo nasoutras

equipes, porém o algoritmode estimação de estados utilizadonafusão sensorialfoi

ounsented Kalman lter (UKF) [Thrun etal., 2005℄[Julier & Uhlmann,2004℄. O

UKFéutilizadoparaintegrarde formaassínronaosdadosdoGPS, dadosdaIMU

e informaçõesprovenientes do barramentoCAN do veíulo a uma taxa máxima de

100Hz. Omodeloutilizadonoalgoritmoparaapredição dosestadoséo modelode

Akerman [Thrun et al.,2006℄.

No ano de 2007, a DARPA promoveu um tereiro desao de veíulos

au-tnomos terrestres, mas dessa vez em área urbana. O DARPA Urban Challenge

reuniu 89 equipes em um iruito onde as regras para o trânsito em vias urbanas

deveriam ser respeitadas [Buehler etal., 2008℄. A equipe venedora desse desao

foi a Tartan Raing, da Universidade Carnegie Mellon, om seu arro Boss. Essa

equipe utilizou a solução omerialPOSLV, da Applannix omo prinipalfonte de

informação para a loalização. Esse sistema fornee informação de posição a uma

taxa de 100Hz baseado em um GPS diferenial, sensores ineriais e enoders nas

rodas. Além do sistema de loalização, a equipe utilizou vários meanismos de

de-teção de obstáulos e deteção de bordas da pista. Outras informações quanto à

geometria e o relevo da pista são utilizadas para ltrar e melhorar o sistema de

loalização[Urmson etal.,2008℄.

A equipe da Universidade de Stanford, venedora do desao de 2005, ou

em segundo lugar no desao de 2007, om seu arro Júnior. Esse veíulo realiza a

estimação da loalização em relação a um mapa forneido previamente om o uso

dosistemade loalizaçãodaApplannix (omesmoutilizadonamaioria dos veíulos

partiipantes dos desaos DARPA). Oveíuloveria oalinhamentoentre osensor

de loalizaçãoeo mapa,ou seja,elese loalizaemrelação aesse mapa para denir

seus movimentos [Montemerloet al.,2008℄.