Dissertação
{pt_PT=Agent-aware mobile robot navigation in domestic environments} {} EVALUATED
{pt=Com o avanço tecnológico e crescente ligação das necessidades humanas à robótica, espera-se que cada vez mais os ambientes domésticos sejam povoados de robots variados. A navegação autónoma é uma competência essencial para robots de serviço móvel implementados nestes ambientes. Uma quantidade considerável de ferramentas e algoritmos foram e continuam a ser desenvolvidos neste campo como consequência de extensas pesquisas realizadas. O trabalho desenvolvido aborda os desafios da navegação autónoma num ambiente dinâmico considerando a presença de humanos e robots. Considerando o desconhecimento da trajetória dos agentes e a ausência de comunicação entre eles, colisões ou num bloqueios de passagem mútuos poderão ocorrer. O foco desta tese é obter predições, e respetivas incertezas associadas, de modo a melhorar a navegação. Com base em dados de posição atual e velocidades anteriores, os dois métodos aplicados para obtenção de previsões são Movimento Browniano (BM) e Algoritmo de Metropolis (MA). O cálculo da função de densidade de probabilidade usada no MA é realizado recorrendo ao método de Estimação de Densidade de Kernel. Um mapa de predições é construído e enviado para o planeador local para que possa existir uma resposta mais rápida a situações precárias. Os resultados obtidos avaliam o tempo computacional e a probabilidade de sucesso de predição de ambas as abordagens. Concluiu-se que o método superior em rapidez e precisão é o BM. Uma vez que um mapa de predições é construído para influenciar o planeador local, o sucesso deste trabalho implica um melhoramento da sua resposta e consequentemente da navegação. , en=Taking into consideration the technological progress and rising connection between human needs and robotics, domestic environments are expected to be increasingly populated by varied robots. Autonomous navigation is an essential competence for mobile service robots deployed in these environments. In fact, researches extensively studied it and, therefore, a considerate amount of tools and algorithms have been and continue to be developed in this field. The work developed focuses on addressing the challenge of autonomous navigation in a dynamic environment populated with humans and robots. Considering in particular humans and non-cooperative robots, a priori agent trajectory is unknown. The absence of coordination between agents may result in deadlock or even collision. This work focuses on attaining predictions, with associated uncertainty, to improve robot navigation. Based on previous velocity data and current position, Brownian Motion (BM) and Metropolis Algorithm (MA) are the applied methods for predicting the next state of the environment. Kernel Density Estimation (KDE) is used to compute the probability density function used in MA. A map of predictions is built and sent to the local planner resulting in a faster response to risky situations. The obtained results evaluate not only the computational time but also the prediction's probability success of both approaches. BM was concluded to deliver an overall more conservative, accurate and faster prediction than MA combined with KDE. Considering a prediction map is built to later influence the local planner, the success of the developed work implies an enhanced planner response. Consequently, navigation is improved. }
novembro 19, 2018, 14:0
Publicação
Obra sujeita a Direitos de Autor
Orientação
ORIENTADOR
Rodrigo Martins de Matos Ventura
Departamento de Engenharia Electrotécnica e de Computadores (DEEC)
Professor Auxiliar
