Tracking robusto de robots usando random finite sets

Abstract

Esta tesis se enfoca en resolver el problema del multi-target tracking en ambientes altamente dinámicos, y utilizando robots que poseen baja capacidad de procesamiento y sensores limi- tados. Para esto se utiliza un nuevo método de realizar tracking baso en Random Finite Sets (RFS). La utilización de este método supone diferentes mejoras como la eliminación del data association problem o la utilización de la información negativa de los sensores. La hipótesis que se desea probar es que la utilización de este nuevo método puede obtener mejores resultados que los clásicos métodos de tracking, como el EKF multi-hipótesis. Además se desea demostrar que es posible realizar un tracking de este estilo en robots de poco procesamiento computacional y que este resultado se puede mejorar aún más si un conjunto de robots comparten sus estimaciones para generar una estimación global. Para esto se utiliza el robot Nao, el cual es utilizado en la competencia RoboCup, la cual corresponde a una competencia de fútbol robótico. Es en este escenario donde se implementa un método de tracking, basado en RFS, que se utiliza para ubicar todos los robots de la cancha, con tal de realizar un mapa de obstáculos. La implementación de este método la caracterización de cada sensor del robot, los cuales son utilizados como inputs del sistema. Finalmente, se realizan diversas pruebas, ya sea con robots reales o con simulaciones realistas, la cuales constan de escenarios ficticios y de partidos reales. En cada una de estas, se compara el mapa de obstáculos obtenido con las posiciones reales de los robots con la cancha. Esta comparación se realiza utilizando una medida de distancia especialmente diseñada para comparar conjuntos, llamada OSPA. Los resultados obtenidos demuestran que el método propuesto en esta tesis supera en general a los métodos clásicos, ya sea tanto cualitativa como cuantitativamente. Se pueden observar claramente las ventajas de la utilización negativa de los sensores, así como la no necesidad de resolver el data association problem. También se puede observar la mejora generada al utilizar la información compartida entre robots, lo que genera un mapa de obstáculos más preciso.