Learning Odometric Error in Mobile Robots with Neural Networks

Un’accurata localizzazione in ambienti interni è fondamentale per la navigazione autonoma delle piattaforme robot mobili su ruote. La causa più comune degli errori di odometria per i cosiddetti Unmanned Ground Vehicles (UGV) è rappresentata dai trasduttori di posizione angolare delle ruote, comunemente detti encoder, e dall’unità di misura inerziale (IMU), se presente. Tuttavia, l’odometria delle ruote è fortemente sensibile agli slittamenti, causando l’accumulo dell’errore di posizionameno del robot e diventando inaccurata dopo un breve lasso di tempo, poiché calcolata attraverso l’integrazione dei dati degli encoder. Diversamente, l’odometria visiva rappresenta una valida alternativa per ambienti interni ricchi di dettagli e in condizioni di luce adatte. Comunque, quando il contesto offre pochi pattern, o questi sono ripetitivi, è necessario considerare un’alternativa per una localizzazione affidabile. Le ancore Ultra-Wideband (UWB) si sono recentemente distinte come una soluzione promettente per la stima del posizionamento in ambienti chiusi. Il segnale UWB presenta una buona precisione in condizioni di Line-of-Sight (LOS), ossia assenza di ostacoli tra le ancore fissate nello spazio e quella posizionata sulla piattaforma, ma è pesantemente soggetto a un bias positivo nella condizione di Non-Line-of-Sight (NLOS), ovvero nel caso opposto. L’obiettivo di questa tesi è studiare una soluzione per correggere e migliorare la localizzazione delle piattaforme mobili basata sul Machine Learning, utilizzando solamente i dati grezzi dei sensori. In particolare, lo studio si focalizza sulla correzione di due tipi di dati ottenuti da sensori reperibili a basso costo: l’odometria ottenuta dagli encoder e la distanza dalle ancore Ultra-WideBand. Come prima cosa, è stato raccolto un dataset teleoperando un robot Jackal nel laboratorio del PIC4SeR (PoliTO Interdepartmental Center for Service Robotics), registrando i topic ROS dove sono pubblicati i dati misurati dagli encoder, dall’IMU, dall’UWB e l’odometria visiva della tracking camera Intel t265, che è stata presa come dato di posizione di riferimento, validato con i dati raccolti da un Leica Absolute Tracker AT930. Sono stati considerati diversi modelli di rete neurale (NN) per correggere i dati odometrici: una rete feed-forward pienamente connessa per la localizzazione UWB e una rete Long Short-Term Memory (LSTM) per l’odometria delle ruote. In entrambi casi, una sequenza temporale formata da N dati precedenti è usata come input della rete, mostrando prestazioni migliori rispetto al singolo campione di dati. É stato effettuato un grid-search per calibrare gli iperparametri, scegliendo i modelli con il minore errore su un set di validazione. Infine, sia per l’odometria delle ruote sia per l’UWB, si è usato un set di test per comparare i modelli migliori con i risultati di un Filtro di Kalman Esteso (EKF), e di una NN analoga, che riceve come input un solo dato invece di una sequenza temporale.