Filtro de partículas com população de amostras variável aplicado ao problema SLAM

• Ano de defesa: 2014
• Autor(a) principal: Alexandre Campos Rangel
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Instituto Tecnológico de Aeronáutica
• Palavras-chave em Português: Robótica; Posição (localização); Filtros de rastreamento; Método de Monte Carlo; Identificação de parâmetros; Computação
• Link de acesso: http://www.bd.bibl.ita.br/tde_busca/arquivo.php?codArquivo=3085

Soluções que se utilizem de filtros de partículas como método de estimação de parâmetros de sistemas dinâmicos analisam, em geral, uma população de amostras com o mesmo tamanho em todas as etapas do algoritmo. Porém, a manutenção de um mesmo número de partículas, independentemente do nível de certeza que se possui acerca do Sistema, pode contribuir para o alto processamento exigido para a implementação de algumas técnicas que se utilizem de Métodos Sequencias de Monte Carlo. A presente dissertação visa propor uma metodologia para o ajuste da população de partículas analisadas por um filtro de partículas. Para tanto, utiliza-se o Limite Inferior de Cramér Rao como medida do nível de certeza das estimativas, ajustando assim o tamanho da população a ser analisada de acordo com uma heurística simples. Para a prova de conceito da metodologia apresentada é utilizado o problema SLAM (Simultaneous Localization and Mapping), da robótica móvel. Trata-se da construção do mapa de um ambiente desconhecido concomitantemente com a localização do agente localizador na representação do ambiente criada. Mais especificamente, será utilizado o algoritmo mais recente da solução DP SLAM (Distributed Particle SLAM) - executada para a análise de um log de dados disponibilizado pela comunidade científica - para a elaboração de um algoritmo modificado que ajuste o número de partículas analisadas de acordo com o nível de certeza das estimativas realizadas. Pela natureza recursiva inerente ao problema considerado será utilizada uma metodologia também recursiva para o cálculo do Limite Inferior de Cramér Rao a posteriori, o qual fornece uma "medida" do máximo de informação que pode ser extraído de um sistema dinâmico quando os dados e os estados são considerados aleatórios, tendo em mente a análise de performance por uma perspectiva Bayesiana.