Comparisson between generalized geometric triangulation and odometry

Enrique Mar-Castro; Luis Mario Aparicio-Lastiri; Omar Vicente Pérez-Arista; Rafael Stanley Núñez-Cruz; Elba Dolores Antonio-Yañez

doi:10.29057/icbi.v12iEspecial2.12240

Enrique Mar-Castro Universidad Politécnica de Tulancingo https://orcid.org/0009-0002-3661-2941
Luis Mario Aparicio-Lastiri Universidad Politécnica de Tulancingo https://orcid.org/0009-0004-7938-6950
Omar Vicente Pérez-Arista Universidad Politécnica de Tulancingo https://orcid.org/0000-0003-4984-0468
Rafael Stanley Núñez-Cruz Universidad Politécnica de Tulancingo https://orcid.org/0000-0003-4539-6232
Elba Dolores Antonio-Yañez Universidad Politécnica de Tulancingo https://orcid.org/0000-0002-4379-5582

DOI: https://doi.org/10.29057/icbi.v12iEspecial2.12240

Palabras clave: Pose, diferential robot,, odometry, generalize geometric triangulation, ArUco

Resumen

La localización en robótica móvil es fundamental para la realización de tareas autónomas. Por este motivo, se han desarrollado diferentes algoritmos para estimar la pose del robot, ya sea de forma relativa o absoluta. Una de las más conocidas es la odometría basada en ruedas, la cual es fácil de implementar pero con la desventaja de que el error en la estimación tiende a aumentar conforme pasa el tiempo produciendo un cálculo poco confiable. Por el contrario, los algoritmos de localización absoluta como la Triangulación Geométrica Generalizada (TGG) ofrecen una mayor precisión, aunque su implementación puede requerir sistemas de medición más avanzados y la estimación de la pose puede ser lenta. Este trabajo compara estos dos algoritmos y muestra lo que sucede con la estimación de pose después de un período de tiempo. Los resultados presentados se obtuvieron en una zona de pruebas real equipada con un robot Turtlebot3 modelo burger.

Descargas

La descarga de datos todavía no está disponible.

Citas

Almeida, A. C., Neto, S. R., y Bianchi, R. A. (2018). Comparing vision-based monte-carlo localization methods. En 2018 Latin American Robotic Symposium, 2018 Brazilian Symposium on Robotics (SBR) and 2018 Workshop on Robotics in Education (WRE), pp. 437–442.

Campbell, S., O'Mahony, N., Carvalho, A., Krpalkova, L., Riordan, D., yWalsh, J. (2020). Where am i? localization techniques for mobile robots a review. En 2020 6th International Conference on Mechatronics and Robotics Engineering (ICMRE). IEEE.

Cavanini, L., Cimini, G., Ferracuti, F., Freddi, A., Ippoliti, G., Monteri`u, A., y Verdini, F. (2017). A qr-code localization system for mobile robots: Application to smart wheelchairs. En 2017 European Conference on Mobile Robots (ECMR), pp. 1–6.

Esan, O., Du, S., y Lodewyk, B. (2020). Review on autonomous indoor wheel mobile robot navigation systems. En 2020 International Conference on Artificial Intelligence, Big Data, Computing and Data Communication Systems (icABCD), pp. 1–6.

Esteves, J. S., Carvalho, A., y Couto, C. (2004). Generalized geometric triangulation algorithm for mobile robot absolute self-localization. En 2003 IEEE International Symposium on Industrial Electronics (Cat. No.03TH8692). IEEE.

Fauser, T., Bruder, S., y El-Osery, A. (2017). A comparison of inertial-based navigation algorithms for a low-cost indoor mobile robot. En 2017 12th International Conference on Computer Science and Education (ICCSE), pp. 101–106.

Housein, A. A., Xingyu, G., Li,W., y Huang, Y. (2022). Extended kalman filter sensor fusion in practice for mobile robot localization. International Journal of Advanced Computer Science and Applications, 13(2).

Kristalina, P., Pratiarso, A., Badriyah, T., y Putro, E. D. (2016). A wireless sensor networks localization using geometric triangulation scheme for object tracking in urban search and rescue application. En 2016 2nd International Conference on Science in Information Technology (ICSITech), pp. 254–259.

Liu, Y., Xiong, R., Wang, Y., Huang, H., Xie, X., Liu, X., y Zhang, G. (2016). Stereo visual-inertial odometry with multiple kalman filters ensemble. IEEE Transactions on Industrial Electronics, 63(10):6205–6216.

Lobo, A., Kadam, R., Shajahan, S., Malegam, K.,Wagle, K., y Surve, S. (2014). Localization and tracking of indoor mobile robot with beacons and dead reckoning sensors. En 2014 IEEE Students’ Conference on Electrical, Electronics and Computer Science, pp. 1–4.

Ohno, K., Tsubouchi, T., Shigematsu, B., y Yuta, S. (2004). Di erential GPS and odometry-based outdoor navigation of a mobile robot. Advanced Robotics, 18(6):611–635.

Pierlot, V. y Van Droogenbroeck, M. (2014). A new three object triangulation algorithm for mobile robot positioning. IEEE Transactions on Robotics, 30(3):566–577.

Scaramuzza, D. y Fraundorfer, F. (2011). Visual odometry [tutorial]. IEEE Robotics &amp Automation Magazine, 18(4):80–92.

Siegwart, R., Nourbakhsh, I. R., y Scaramuzza, D. (2011). Introduction to Autonomous Mobile Robots. Intelligent Robotics and Autonomous Agents series. MIT Press, London, England, 2 edición.

Zhou, B., Tang, Z., Qian, K., Fang, F., y Ma, X. (2017). A LiDAR odometry for outdoor mobile robots using NDT based scan matching in GPS-denied environments. En 2017 IEEE 7th Annual International Conference on CYBER Technology in Automation, Control, and Intelligent Systems (CYBER). IEEE.