Simulación del control de un robot móvil tipo rover basado en fusión de sensores mediante filtro de partículas

Jheison Duvier Diaz Ortega; Octavio Gutiérrez-Frías; J. Alejandro Aguirre-Anaya

doi:10.29057/icbi.v10iEspecial6.9366

Jheison Duvier Diaz Ortega Instituto Politécnico Nacional, Unidad Profesional Interdisciplinaria en Ingeniería y Tecnologías Avanzadas https://orcid.org/0000-0002-8572-4168
Octavio Gutiérrez-Frías Instituto Politécnico Nacional, Unidad Profesional Interdisciplinaria en Ingeniería y Tecnologías Avanzadas https://orcid.org/0000-0002-2855-3243
J. Alejandro Aguirre-Anaya Instituto Politécnico Nacional, Unidad Profesional Interdisciplinaria de energía y movilidad https://orcid.org/0000-0003-3572-8643

DOI: https://doi.org/10.29057/icbi.v10iEspecial6.9366

Palabras clave: Fusión de sensores, Filtro de partículas, Control PID, Robot rover

Resumen

Los algoritmos de navegación de robots móviles usan sistemas de control de posición para ejecutar tareas como la exploración, seguimiento de trayectorias, búsqueda y rescate, entre otras. Sin embargo, la implementación de estos algoritmos involucra sensores como los GPS, cuya precisión depende de factores externos como los climáticos, así como su funcionamiento puede verse afectado por la disposición de satélites, generando errores de posición. Como solución a lo anterior, en este trabajo se propone un sistema de control basado en fusión de sensores mediante el filtro de partículas que permita mejorar la navegación de un robot móvil tipo rover, consiguiendo una mayor precisión en la navegación, reduciendo la vulnerabilidad del sistema, incrementando la confiabilidad y la tolerancia a fallos y un aumento en la confianza en las mediciones. Finalmente, se muestran los resultados de la fusión de 5 sensores, el modelo cinemático del robot y el control PID de posición para un recorrido desde una posición inicial a una final.

Descargas

La descarga de datos todavía no está disponible.

Citas

Ababsa, F. E., & Mallem, M. (2012). Hybrid three-dimensional camera pose estimation using particle filter sensor fusion. Http://Dx.Doi.Org/10.1163/156855307779293689, 21(1–2), 165–181. https://doi.org/10.1163/156855307779293689

Agarwal, H., Tiwari, P., & Tiwari, R. G. (2019). Exploiting Sensor Fusion for Mobile Robot Localization. Proceedings of the 3rd International Conference on I-SMAC IoT in Social, Mobile, Analytics and Cloud, I-SMAC 2019, 463–466. https://doi.org/10.1109/I-SMAC47947.2019.9032653

Ávila, M. A. O., & Arancibia, J. A. G. (2015). Sistema de localización autónoma para robots móviles basado en fusión de sensores propioceptivos. Revista Politécnica, 11(21), 75–84.

Bassiri, A., Asghari Oskoei, M., Basiri, A., & Li, L. L. (2018). Particle filter and finite impulse response filter fusion and hector SLAM to improve the performance of robot positioning. Journal of Robotics, 2018. https://doi.org/10.1155/2018/7806854

Baturone, A. O. (2005). Robótica: manipuladores y robots móviles. Marcombo.

Chen, Y., & Rui, Y. (2004). Real-time speaker tracking using particle filter sensor fusion. Proceedings of the IEEE, 92(3), 485–494. https://doi.org/10.1109/JPROC.2003.823146

Ding, L., Zhou, R., Yu, T., Gao, H., Yang, H., Li, J., Yuan, Y., Liu, C., Wang, J., Zhao, Y.-Y. S., Wang, Z., Wang, X., Bao, G., Deng, Z., Huang, L., Li, N., Cui, X., He, X., Jia, Y., … Di, K. (2022). Surface characteristics of the Zhurong Mars rover traverse at Utopia Planitia. Nature Geoscience, 15(3), 171–176. https://doi.org/10.1038/s41561-022-00905-6

Ellery, A. (2004). Space Robotics: Part 3: Robotic Rovers for Planetary Exploration. Https://Doi.Org/10.5772/5809, 1(4), 31. https://doi.org/10.5772/5809

Koch, W. (2016). Tracking and sensor data fusion. Springer.

Nathan, V., & Jafari, R. (2018). Particle Filtering and Sensor Fusion for Robust Heart Rate Monitoring Using Wearable Sensors. IEEE Journal of Biomedical and Health Informatics, 22(6), 1834–1846. https://doi.org/10.1109/JBHI.2017.2783758

Rigatos, G. G. (2010). Extended Kalman and Particle Filtering for sensor fusion in motion control of mobile robots. Mathematics and Computers in Simulation, 81(3), 590–607. https://doi.org/10.1016/J.MATCOM.2010.05.003

Thomas, U., Molkenstruck, S., Iser, R., & Wahl, F. M. (2007). Multi sensor fusion in robot assembly using particle filters. Proceedings - IEEE International Conference on Robotics and Automation, 3837–3843. https://doi.org/10.1109/ROBOT.2007.364067

Tian, Q., Wang, K. I. K., & Salcic, Z. (2020). A Resetting Approach for INS and UWB Sensor Fusion Using Particle Filter for Pedestrian Tracking. IEEE Transactions on Instrumentation and Measurement, 69(8), 5914–5921. https://doi.org/10.1109/TIM.2019.2958471

Vadakkepat, P., & Jing, L. (2006). Improved particle filter in sensor fusion for tracking randomly moving object. IEEE Transactions on Instrumentation and Measurement, 55(5), 1823–1832. https://doi.org/10.1109/TIM.2006.881569

Von Ehrenfried, M. “Dutch.” (2022). Perseverance and the Mars 2020 Mission. Perseverance and the Mars 2020 Mission. https://doi.org/10.1007/978-3-030-92118-7

Yang, N., Tian, W. F., Jin, Z. H., & Zhang, C. bin. (2005). Particle filter for sensor fusion in a land vehicle navigation system. Measurement Science and Technology, 16(3), 677. https://doi.org/10.1088/0957-0233/16/3/008

Zaidner, G., & Shapiro, A. (2016). A novel data fusion algorithm for low-cost localisation and navigation of autonomous vineyard sprayer robots. Biosystems Engineering, 146, 133–148. https://doi.org/10.1016/J.BIOSYSTEMSENG.2016.05.002

Zhai, Y., Yeary, M. B., Havlicek, J. P., & Fan, G. (2008). A new centralized sensor fusion-tracking methodology based on particle filtering for power-aware systems. IEEE Transactions on Instrumentation and Measurement, 57(10), 2377–2387. https://doi.org/10.1109/TIM.2008.919009