Redes neurais aplicadas na estratégia de ponderação de partículas em SLAM

Abstract

Este trabalho apresenta uma nova metodologia para a ponderação da importância das partículas em um filtro de partículas usado para localização e mapeamento de um ambiente por um robô móvel, conhecido na literatura clássica como Simultaneous Localization and Mapping (Localização e Mapeamento Simultâneos). Neste trabalho, uma integração de inteligência artificial e métodos probabilísticos foi usada no processo de estimação da pose do robô. Para tanto, este foi dotado de um sensor de baixo custo e que apresenta ruído. O uso deste tipo de sensor torna-se prático porque possui custo menor e não necessita de muito processamento computacional, quando comparado, por exemplo, aos sensores que necessitam de tratamento de imagem. Para realizar sua operação, o robô deve ser capaz de manter uma estimativa da sua localização com base nos dados fornecidos por meio de fontes sensoriais, ou seja, adquirir e utilizar conhecimento sobre o mundo ao seu redor e assim possuir a habilidade de reconhecer obstáculos. No processo de aquisição de dados provenientes de fontes sensoriais com ruído, faz-se necessário o uso de técnicas de tratamentos destas informações. Nesse contexto, métodos probabilísticos tornam-se úteis nas aplicações de filtragem de dados. Neste trabalho, foi usada uma rede neural artificial integrada ao filtro de partículas para minimizar o erro na estimação da pose do robô. A metodologia é baseada em um procedimento simples de centros, raios e processo de correspondência durante a exploração do ambiente pelo robô. Nesta abordagem, uma rede neural artificial do tipo perceptron de multicamadas determina o raio de um círculo, cujo centro é a medida bruta do sensor, para o filtro de partículas ponderar as partículas e, assim, estimar a pose em cada estado do robô no ambiente. Finalmente, são apresentadas discussões sobre tal abordagem, bem como, a complexidade computacional, associação dos dados e os resultados gerados