Dissertação

Automatic Parameter Tuning of Algorithms using Optimization EVALUATED

O algoritmo Adaptive Monte Carlo Localization é uma famosa abordagem para a alcançar a localização de robôs usando um filtro de partículas. O AMCL tem alguns parâmetros que são configuráveis. Estes parâmetros podem melhorar a sua performance em troca de um aumento do consumo de recursos computacionais. Nesta tese é realizada a otimização com múltiplos objetivos dos parâmetros do Adaptive Monte Carlo Localization, usando o algoritmo Predictive Entropy Search for Multi-objective Bayesian Optimization. Para tal, é estendida uma \textit{framework} usada para otimizações sobre apenas um objetivo. Com esta extensão, é possível ter como resultado final uma fronteira de Pareto, onde o utilizador poderá escolher os recursos desejados e obter a configuração de parâmetros ótima para uma situação em particular. Um dos critérios usados na otimização com múltiplos objetivos é o erro de posição do robô. Como o seu cálculo normalmente requer \textit{hardware} de rastreamento caro, é proposto e validado um método para estimar o erro de posição e orientação 2D do robô. Este método usa o algoritmo Iterative Closest Point.
Optimização múltiplos objectivos, Adaptive Monte Monte Carlo Localization, Iterative Closest Point, Predictive Entropy Search

Novembro 28, 2017, 14:0

Publicação

Obra sujeita a Direitos de Autor

Orientação

ORIENTADOR

Oscar Lima Carrion

Polo IST-ISR (CC. 1601)

ORIENTADOR

Rodrigo Martins de Matos Ventura

Departamento de Engenharia Electrotécnica e de Computadores (DEEC)

Professor Auxiliar