Метод фильтра частиц для определения первоначального положения робота в помещении

Аннотация

Рассмотрена задача определения собственного положения робота по данным лидара с использованием модифицированного фильтра частиц. Задача актуальна для многих практических приложений, связанных с разработкой и эксплуатацией автономных мобильных платформ, например, для логистических роботов на автоматизированном производстве и в складском хозяйстве. Рассмотрен наиболее используемый в случае решения указанной задачи метод фильтра частиц. Метод заключается в генерации виртуальных частиц, отображающих вероятное положение робота, изменении состояния частиц по данным одометрии и последующей фильтрации в соответствии с совпадением наблюдаемых и предполагаемых данных лидара. Выявлен недостаток метода, к которому относится большое начальное число частиц, необходимое для быстрой сходимости метода. Предложена модифицированная схема на основе предварительного детектирования крупных элементов сцены в данных лидара. Для этого предложено применять преобразование данных в пространство Хафа, что позволяет выявить наиболее крупные прямолинейные отрезки в данных лидара и соотнести их с картой помещения. Для исследования свойств предложенного алгоритма проведено математическое моделирование в средах MATLAB, ROS, Gazebo. Численные эксперименты показали, что модифицированный метод позволяет существенно снизить начальное число частиц и работать в режиме реального времени даже для больших помещений

Просьба ссылаться на эту статью следующим образом:

Бобков А.В., Алхатиб М.Н. Метод фильтра частиц для определения первоначального положения робота в помещении. Вестник МГТУ им. Н.Э. Баумана. Сер. Приборостроение, 2024, № 1 (146), с. 74--92. EDN: CTDPBE

Литература

[1] Mohamed S.A.S., Haghbayan M.-H., Westerlund T., et al. A survey on odometry for autonomous navigation systems. IEEE Access, 2019, vol. 7, pp. 97466--97486. DOI: https://doi.org/10.1109/ACCESS.2019.2929133

[2] Ullah I., Shen Y., Su X., et al. A localization based on unscented Kalman filter and particle filter localization algorithms. IEEE Access, 2019, vol. 8, pp. 2233--2246. DOI: https://doi.org/10.1109/ACCESS.2019.2961740

[3] Miura S., Hisaka S., Kamijo S. GPS multipath detection and rectification using 3D maps. IEEE ITSC, 2013, pp. 1528--1534. DOI: https://doi.org/10.1109/ITSC.2013.6728447

[4] Kos T., Markezic I., Pokrajcic J. Effects of multipath reception on GPS positioning performance. Proc. ELMAR, 2010, pp. 399--402.

[5] Grewal M.S., Andrews A.P. Kalman filtering. Wiley, 2018.

[6] Rekleitis I.A. Particle filter tutorial for mobile robot localization. Technical Report TR-CIM-04-02. Centre for Intelligent Machines, McGill Univ., 2004.

[7] Del Moral P. Nonlinear filtering: interacting particle solution. Markov Process. Relat. Fields, 1996, vol. 2, no. 4, pp. 555--580.

[8] Zhang F., Li S., Yuan S., et al. Algorithms analysis of mobile robot SLAM based on Kalman and particle filter. IEEE ICMIC, 2017, pp. 1050--1055. DOI: https://doi.org/10.1109/ICMIC.2017.8321612

[9] Thrun S., Burgard W., Fox D. Probabilistic robotics. Cambridge, MIT Press, 2005.

[10] Heilig A., Mamaev I., Bjorn H., et al. Adaptive particle filter for localization problem in service robotics. MATEC Web Conf., 2018, vol. 161, art. 01004. DOI: https://doi.org/10.1051/matecconf/201816101004

[11] Marchetti L., Grisetti G., Iocchi L. A comparative analysis of particle filter based localization methods. In: Lakemeyer G., Sklar E., Sorrenti D.G., Takahashi T. (eds). RoboCup 2006: Robot Soccer World Cup X. RoboCup 2006. Lecture Notes in Computer Science, vol. 4434. Berlin, Heidelberg, Springer, 2006, pp. 442--449. DOI: https://doi.org/10.1007/978-3-540-74024-7_44

[12] Thrun S. Particle filters in robotics. Proc. UAI, 2002, pp. 511--518. DOI: https://doi.org/10.48550/arXiv.1301.0607

[13] Fox D., Thrun S., Burgard W., et al. Particle filters for mobile robot localization. In: Doucet A., de Freitas N., Gordon N. (eds). Sequential Monte Carlo Methods in Practice. Statistics for Engineering and Information Science. New York, Springer, 2001, pp. 401--428. DOI: https://doi.org/10.1007/978-1-4757-3437-9_19

[14] Woo J., Kim Y.-J., Lee J., et al. Localization of mobile robot using particle filter. SICE-ICASE Int. Joint Conf., 2006, pp. 3031--3034. DOI: https://doi.org/10.1109/SICE.2006.315151

[15] Valin J.-M., Michaud F., Rouat J. Robust localization and tracking of simultaneous moving sound sources using beamforming and particle filtering. Rob. Auton. Syst., 2007, vol. 55, iss. 3, pp. 216--228. DOI: https://doi.org/10.1016/j.robot.2006.08.004

[16] Arif S.A., Niaz M.H., Shabbir N., et al. RSSI based trilatertion for outdoor localization in Zigbee based wireless sensor networks (WSNs). IEEE CICN, 2018. DOI: https://doi.org/10.1109/CICN.2018.8864943

[17] Wu K., Reju V.G., Khong A.W.H., et al. Swarm intelligence based particle filter for alternating talker localization and tracking using microphone arrays. IEEE/ACM Trans. Audio, Speech, Language Process., 2017, vol. 25, iss. 6, pp. 1384--1397. DOI: https://doi.org/10.1109/TASLP.2017.2693566

[18] Fox D. Adapting the sample size in particle filters through KLD-sampling. Int. J. Rob. Res., 2003, vol. 22, iss. 12, pp. 985--1003. DOI: https://doi.org/10.1177/0278364903022012001

[19] Gyorgy K., Kelemen A., David L. Unscented Kalman filters and particle filter methods for nonlinear state estimation. Procedia Technol., 2014, vol. 12, pp. 65--74. DOI: https://doi.org/10.1016/j.protcy.2013.12.457

[20] Montemerlo M., Thrun S., Koller D., et al. FastSLAM: a factored solution to the simultaneous localization and mapping problem. Proc. AAAI Conf. on Artificial Intelligence, 2002, pp. 593--598.

[21] Saarinen J., Andreasson H., Stoyanov T., et al. Normal distributions transform Monte-Carlo localization (NDT-MCL). IEEE/RSJ Int. Conf. on Intelligent Robots and Systems, 2013, pp. 382--389. DOI: https://doi.org/10.1109/IROS.2013.6696380

[22] Lim T.Y., Yeong C.F., Su E.L.M., et al. Enhanced localization with adaptive normal distribution transform Monte Carlo localization for map based navigation robot. Electr. Eng., 2019, vol. 18, no. 3-2, pp. 17--24. DOI: https://doi.org/10.11113/elektrika.v18n3-2.193

[23] Duda R.O., Hart R.E. Use of the Hough transformation to detect lines and curves in pictures. Commun. ACM, 1972, vol. 15, no. 1, pp. 11--15. DOI: https://doi.org/10.1145/361237.361242