Riassunto analitico
Nella tesi sono stati studiati molteplici metodi per la Simultaneous Localization and Mapping, approfondendo nel dettaglio l’Extended Kalman Filter, lo Sparse Extended Information Filter e il FastSLAM1.0.
L’obiettivo è stato quello di confrontare diversi metodi tra loro al fine di identificare il migliore a seconda delle circostanze e di renderne facile l’applicazione.
Per raggiungere l’obiettivo è stato realizzato un ambiente di simulazione su Matlab che permettesse la fase di acquisizione dati: tramite un’interfaccia grafica è possibile far navigare un robot all’interno di una mappa autogenerata di cui è possibile scegliere grandezza e densità di landmark, la navigazione viene controllata dall’utente tramite dei comandi da tastiera e man mano che si avanza viene simulato un disturbo gaussiano per quanto riguarda lo spostamento del robot. In seguito, da ogni nuova posizione, vengono eseguite delle scansioni dei landmark che forniscono informazioni riguardo distanza ed angolo da ogni punto chiave all’interno del range di scansione; tutti questi dati vengono salvati per essere poi utilizzati dagli algoritmi dove sono stati implementati i metodi SLAM.
Per quanto riguarda l’utilizzo di SLAM feature-based (quindi basata sull’utilizzo di landmark e non sulla creazione di una mappa di tipo planimetrico) si è potuto notare come l’EKF sia il metodo più semplice da implementare ed anche il più accurato, ma il più lento quando il numero di landmark aumenta. Il SEIF è il più veloce ed è più accurato del FastSLAM ma è anche il più complesso da implementare mentre il FastSLAM diventa molto interessante nel caso in cui sia nota l’esatta distribuzione di probabilità della posizione del robot e quando si ha una stima della frequenza delle loop closure compiute da esso, inoltre è di particolare interesse la possibilità di cambiare la distribuzione di probabilità di posizione a seconda dell’ambiente circostante utilizzabile, però, nella SLAM grid-based, non approfondita in questa tesi.
In definitiva per avere la maggiore flessibilità possibile è conveniente usare il SEIF, se invece si ha bisogno di avere la maggior accuratezza possibile o si ha una mappa con un numero di landmark inferiore ai 100 allora conviene utilizzare l’EKF.
|
