Improving Monte Carlo Localization with Strategic Navigation Policies and Optimal Landmark Placement
Resumo
Um problema importante na robótica é determinar e manter a posição de um robô que se move por um conhecido ambiente com pontos de referência indistinguíveis. Esse problema é dificultado devido ao ruído inerente na movimentação do robô e nas leituras do sensor. A Localização por Monte Carlo (MCL) é uma técnica usada com frequência para resolver esse problema, e seu desempenho depende intuitivamente de como o robô explora o ambiente e a posição dos pontos de referência. Neste artigo, propomos uma política de navegação para reduzir o número de passos exigidos pelo robô para encontrar sua localização, juntamente com o posicionamento ideal das referências para essa política. Essa proposta é avaliada e comparada com outras políticas usando métricas que indicam sua superioridade.
Referências
Ferreira, Henrique, J. and Figueiredo, D. (2018). Influence of location and number of landmarks on the monte carlo localization problem. In XV Encontro Nacional de Inteligencia Artificial e Computacional (ENIAC).
Ferreira, Henrique, J. and Figueiredo, D. (2019). Improving monte carlo localization performance using strategic navigation policies. In XVI Encontro Nacional de Inteligencia Artificial e Computacional (ENIAC).
Fox, D., Burgard, W., Dellaert, F., and Thrun, S. (1999). Monte carlo localization: Efficient position estimation for mobile robots. AAAI/IAAI, 1999(343-349):2–2.
Fox, D., Burgard,W., and Thrun, S. (1998). Active markov localization for mobile robots. Robotics Auton. Syst., 25(3-4):195–207.
Gottipati, S. K., Seo, K., Bhatt, D., Mai, V., Murthy, K., and Paull, L. (2019). Deep active localization. IEEE Robotics and Automation Letters, 4(4):4394–4401.
Hou, X. and Arslan, T. (2017). Monte carlo localization algorithm for indoor positioning using bluetooth low energy devices. In Int. Conf. on Localization and GNSS (ICLGNSS), pages 1–6.
Jensfelt, P. and Kristensen, S. (2001). Active global localization for a mobile robot using multiple hypothesis tracking. IEEE Trans. Robotics and Automation, 17(5):748–760.
Li, T., Sun, S., and Duan, J. (2010). Monte carlo localization for mobile robot using adaptive particle merging and splitting technique. In IEEE Int. Conf. on Information and Automation (ICIA), pages 1913–1918.
Milstein, A. (2008). Occupancy grid maps for localization and mapping. In Motion Planning. InTech.
Rekleitis, I. M., Meger, D., and Dudek, G. (2006). Simultaneous planning, localization, and mapping in a camera sensor network. Robotics Auton. Syst., 54(11):921–932.
Skiscim, C. C. and Golden, B. L. (1983). Optimization by simulated annealing: A preliminary computational study for the TSP. In Winter Simulation Conference, pages 523–535.
Thrun, S., Fox, D., Burgard, W., and Dellaert, F. (2001). Robust monte carlo localization for mobile robots. Artif. Intell., 128(1-2):99–141.