Bayesian Handling of Uncertainty For Mobile Robots

Abstract

El manejo de incerteza es de gran importancia en el campo de la Robótica Móvil. La correcta estimación y reducción de la incerteza respecto al estado de un robot y su entorno pueden tener un tremendo impacto en el nivel de éxito del robot al realizar una tarea. Esta tesis aborda los problemas de la correcta estimación y la reducción de esta incerteza. El problema de estimar correctamente la incerteza es abordado a través del desarrollo de un método innovador, llamado Heteroscedastic-Gaussian-Process Extended Kalman Filter (HGP-EKF), el cual es una mejora del método existente llamado Gaussian-Process Extended Kalman Filter (GP-EKF). Las principales contribuciones de HGP-EKF en comparación con GP-EKF son las siguientes: la regresión y uso de la varianza expresada en los datos de entrenamiento como una función del estado que se está estimando, la habilidad de aprender matrices de covarianza no diagonales, y el uso de parámetros adicionales que pueden entregar pistas para mejorar los modelos observacional y del proceso. El problema de reducir la incerteza mencionada es abordado mediante el desarrollo de un método de visión activa, llamado Task-Oriented Active Vision (Visión Activa Orientada a la Tarea). La principal contribución del paradigma de la visión activa orientada a la tarea, en comparación con otros métodos probabilísticos existentes en la literatura, es que ella intenta explícitamente reducir los componentes de la incerteza acerca del estado más relevantes para la ejecución de la tarea actual. Esta reducción focalizada de la incerteza acerca del estado se logra a través de la consideración de una función de valor relacionada con la tarea que se está ejecutando. Los resultados obtenidos muestran que los métodos de visón activa orientados a la tarea tienen un mejor rendimiento que aquellos basados en la teoría de la información cuando la tarea no es la reducción de la incerteza en sí misma. En conclusión, se ha demostrado que el correcto uso de la incerteza puede mejorar el rendimiento de un robot en términos de estimar el estado y ejecutar la tarea actual.