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
|
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
Relatori
Anno Accademico
Tipo di pubblicazione
Numero di pagine
Corso di laurea
Classe di laurea
URI
![]() |
Modifica (riservato agli operatori) |
