Senza conoscere la propria posizione nell’ambiente, i compiti che un robot mobile è in grado di svolgere sono molto limitati.
Un sensore odometrico permette di calcolare la posizione del robot nell’ambiente.
Tutti i sensori montati su di un robot, in particolar modo l’odometro, sono soggetti ad imprecisione.
Un robot può localizzarsi:
Termine derivante dal gergo dei piloti RAF:
Deduced reckoning = Navigazione stimata.
Da una posizione di partenza nota, la posizione attuale si deduce integrando il cammino percorso.
Occorre conoscere:
Gli errori sono cumulativi.
Odometria: misura degli spostamenti del robot dai movimenti delle ruote.
Misuratori di velocità (sonar a effetto doppler).
Sensori orientamento: bussole (magnetiche, giroscopiche).
Accelerometri: unidirezionali, piattaforme inerziali.
Il tracciamento della posizione del robot non è affidabile. Errori accumulati:
Per permettere al robot di svolgere in maniera efficiente i propri compiti bisogna:
Fornire una mappa dell’ambiente in cui deve operare.
Fornire gli strumenti adatti per creare autonomanente tale mappa.
Problema del Positioning: posizionamento con mappe pre-esistenti.
“Problema SLAM: posizionamento in mappe costruite dal robot durante la navigazione (Simultaneous Localization and Mapping).”
“Riconoscimento topologico e riconoscimento geometrico”.
“Landmark: oggetti rilevanti, punti salienti:
Position Tracking
Global Localization
Sensori di Contatto: Bumpers
Sensori Interni
Sensori di Prossimità
Sensori Visuali: Telecamera
Sensori Satellitari: GPS
Sensori Attivi
Sensori Passivi
Emettono un segnale ad ultrasuono:
d = v · t / 2
v: velocità del segnale
t: “tempo passato dalla diffusione del segnale a eco ricevuto”.
“Cause di errore:
Esempio: Angoli di 15 gradi, 24 sensori per 360 gradi.
Se range massimo di 10m
Tempo di volo: 2*10/330 =0.66sec
Scan completo: 1.45 secs
Per update più frequenti sensori paralleli.
Questo aumenta il crosstalk”.
2. Robotica mobile - parte prima
3. Robotica mobile - parte seconda
4. Robotica Probabilistica - Filtri Bayesiani (parte prima)
5. Robotica Probabilistica - Filtri Bayesiani (parte seconda)
7. Modello Probabilistico dei Sensori
8. Robotica Probabilistica - Filtri Gaussiani
10. SLAM
11. Filtri Discreti
12. FastSLAM
13. SLAM grid-based
14. Esplorazione basata su guadagno di informazione
Materiale tratto tratto da: Introduction to Mobile Robotics, Univ. of Freiburg (Prof. Dr. Wolfram Burgard, Dr. Cyrill Stachniss, Dr. Giorgio Grisetti, Dr. Maren Bennewitz) e Mobile Robotics, Univ. of Oxford (Prof. Paul Newman)