polito.it
Politecnico di Torino (logo)

Learning Odometric Error in Mobile Robots with Neural Networks

Alessandro Navone

Learning Odometric Error in Mobile Robots with Neural Networks.

Rel. Marcello Chiaberge. Politecnico di Torino, Corso di laurea magistrale in Mechatronic Engineering (Ingegneria Meccatronica), 2022

[img]
Preview
PDF (Tesi_di_laurea) - Tesi
Licenza: Creative Commons Attribution Non-commercial No Derivatives.

Download (14MB) | Preview
Abstract:

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.

Relators: Marcello Chiaberge
Academic year: 2022/23
Publication type: Electronic
Number of Pages: 112
Subjects:
Corso di laurea: Corso di laurea magistrale in Mechatronic Engineering (Ingegneria Meccatronica)
Classe di laurea: New organization > Master science > LM-25 - AUTOMATION ENGINEERING
Aziende collaboratrici: UNSPECIFIED
URI: http://webthesis.biblio.polito.it/id/eprint/24646
Modify record (reserved for operators) Modify record (reserved for operators)