FenixEdu™

Dissertação

{pt_PT=Automatic Parameter Tuning of Algorithms using Optimization} {} EVALUATED

Detalhes: {pt=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., en=The Adaptive Monte Carlo Localization algorithm is a well-known approach for performing the localization of a robot using a particle filter. The Adaptive Monte Carlo Localization have some parameters which boost the performance but at the expense of an increase in computational resources. In this thesis, the multi-objective optimization of the Adaptive Monte Carlo Localization algorithm parameters was performed, using a state of the art algorithm, the Predictive Entropy Search for Multi-objective Bayesian Optimization. In order to do so, a framework for single objective optimization was extended. The added output of this framework is a Pareto front where the user can select the desired resources and get the parameter set that is optimal for that particular setup. One of the objective functions used in the multi-objective optimization is the position error of the robot. Since its computation normally requires expensive tracking hardware, a method for estimating the robot's two dimensional pose error using the Iterative Closest Point algorithm, is proposed and validated.}
Keywords: {pt=Optimização múltiplos objectivos, Adaptive Monte Monte Carlo Localization, Iterative Closest Point, Predictive Entropy Search, en=Multi-objective optimization, Adaptive Monte Monte Carlo Localization, Predictive Entropy Search, Iterative Closest Point}

Discussão: novembro 28, 2017, 14:0