O documento descreve um estudo sobre localização e mapeamento em tempo real utilizando um robô simulado no Microsoft Robotics Developer Studio. O objetivo é desenvolver e implementar um algoritmo para estimar e corrigir a posição do robô permitindo a construção do mapa do ambiente. A metodologia envolve testar vários algoritmos de SLAM em ambientes simulados e avaliar os resultados com base em métricas de desempenho como erro de posição e angular.
LOCALIZAÇÃO E MAPEAMENTO EM TEMPO REAL UTILIZANDO ROBÔ SIMULADO NO MICROSOFT® ROBOTICS DEVELOPER STUDIO
1. CENTRO TÉCNICO AEROESPACIAL
INSTITUTO TECNOLÓGICO DE AERONÁUTICA
DIVISÃO DE ENGENHARIA ELETRÔNICA
DEPARTAMENTO DE SISTEMAS DE CONTROLE
LOCALIZAÇÃO E MAPEAMENTO EM TEMPO
REAL UTILIZANDO ROBÔ SIMULADO NO
MICROSOFT® ROBOTICS DEVELOPER STUDIO
Wilian França Costa
Orientador: Prof. Dr. Jackson Paul Matsuura
Co-orientador: Prof. Dr. Alexandre da Silva Simões
1/66
São José dos Campos, 23 de dezembro de 2009
2. Introdução
●
Para que um robô móvel seja
considerado autônomo, ele deve
possuir a capacidade de navegar com
segurança em um ambiente
desconhecido evitando obstáculos
(BAILEY, 2002, p. 2).
●
Usualmente o robô monta sua base de
conhecimento através da construção
Introdução (1/3)
Objetivo
Metodologia (3)
progressiva de um mapa utilizando os
MRDS (4)
SLAM (11)
dados de seus sensores (GUTMANN;
Scan Matching (13)
Solução Proposta (7) KONOLIGE, 1999; HOWARD, 2004).
Resultados (15) 2/66
Conclusão (2)
Trabalhos Futuros (3).
3. Motivação
●
Localização e Mapeamento Simultâneo
(SLAM).
●
Desafio constante em robótica móvel.
●
Diversas abordagens, sendo que as
mais comuns utilizam métodos
estocásticos (HAHNEL et al., 2003),
iterativos (LU; MILIOS, 1994) e
Introdução (2/3)
combinações entre eles (BIBER;
Objetivo
Metodologia (3) STRASSER, 2006).
MRDS (4)
SLAM (11)
Scan Matching (13)
Solução Proposta (7)
Resultados (15) 3/66
Conclusão (2)
Trabalhos Futuros (3).
4. Motivação
●
Exemplo de sucesso: robô Stanley
desenvolvido pela equipe do Dr. Sebastian
Thrun e que ganhou o desafio DARPA em
2005 (THRUN et al., 2006).
Introdução (3/3)
Objetivo (a) Ilustração do sensor laser: o sensor é inclinado para escanear o
Metodologia (3)
MRDS (4) terreno enquanto o robô se movimenta. O robô possui 5 sensores
SLAM (11) montados em ângulos diferentes. (b) Cada scanner monta uma
Scan Matching (13)
Solução Proposta (7) representação 3D em nuvem-de-pontos para identificar obstáculos.
Resultados (15)
Conclusão (2)
Fonte:(THRUN et al., 2006). 4/66
Trabalhos Futuros (3).
5. Objetivo
Desenvolvimento e implementação de
um algoritmo para a estimação e
correção da posição do robô permitindo
a construção em tempo real do mapa do
ambiente explorado em condições na
qual a leitura odométrica apresenta
imperfeições (ruídos, deslizamentos,
etc.).
Introdução (3)
Objetivo
Metodologia (3)
MRDS (n)
SLAM (1/n)
Scan Matching (n)
Solução Proposta (n)
Resultados (n) 5/66
Conclusão
Trabalhos Futuros.
6. Metodologia
●
Para verificação da solução proposta
foram utilizados 5 (cinco) ambientes
estruturados (ambientes que podem ser
descritos por primitivas geométricas) e
estáticos (sem pessoas ou objetos
móveis).
Introdução (3)
●
Foram efetuados um total de dez
Objetivo
Metodologia (1/3) execuções, uma para cada algoritmo
MRDS (4)
SLAM (11)
Scan Matching (13)
em teste no ambiente.
Solução Proposta (7)
Resultados (15) 6/66
Conclusão (2)
Trabalhos Futuros (3).
7. Metodologia
●
Em cada experimento, os mapas
internos do robô são construídos
utilizando os dados fornecidos
pelos sensores aplicados aos
algoritmos em teste.
Introdução (3)
●
Ambientes de teste, sensores e
Objetivo
Metodologia (2/3)
MRDS (4)
robô simulados no MRDS.
SLAM (11)
Scan Matching (13)
Solução Proposta (7)
Resultados (15) 7/66
Conclusão (2)
Trabalhos Futuros (3).
8. Metodologia
●
Os algoritmos são avaliados com
relação ao mapa e posição real
(ground truth).
●
São apurados os índices de
desempenho propostos:
Introdução (3)
●
Erro Absoluto de Posição (EAA);
Objetivo
Metodologia (3/3)
MRDS (4)
●
Erro Absoluto Angular (EAA).
SLAM (11)
Scan Matching (13)
Solução Proposta (7)
●
Teste Kolmogorov-Smirnov (KS).
Resultados (15) 8/66
Conclusão (2)
Trabalhos Futuros (3).
9. MICROSOFT ROBOTICS ®
DEVELOPER STUDIO
(MRDS)
●
Ambiente de desenvolvimento para
aplicações robóticas baseado em
Windows®.
●
Suporte a uma ampla variedade de
robôs comerciais.
●
Possui um runtime “leve” assíncrono
Introdução (3)
Objetivo
orientado a serviços.
Metodologia (3)
MRDS (1/4)
●
Conjunto de ferramentas para autoria e
SLAM (11)
Scan Matching (13)
Solução Proposta (7)
simulação.
Resultados (15) 9/66
Conclusão (2)
Trabalhos Futuros (3).
10. MICROSOFT ROBOTICS ®
DEVELOPER STUDIO
(MRDS)
●
Concurrency and Coordination Runtime
(CCR)
●
Biblioteca de código gerenciado
(DLL) .Net (CLR).
●
Facilita a manipulação de I/O
assincrona eliminando a
Introdução (3) complexidade envolvida com
Objetivo
Metodologia (3)
MRDS (2/4)
tratamento de threads, locks e
SLAM (11)
Scan Matching (13)
semáforos.
Solução Proposta (7)
Resultados (15) 10/66
Conclusão (2)
Trabalhos Futuros (3).
11. MICROSOFT ROBOTICS ®
DEVELOPER STUDIO
(MRDS)
●
Distributed Software Services (DSS)
Introdução (3)
Objetivo
Metodologia (3) Bloco básico representando um serviço DSS e exemplo
MRDS (3/4)
SLAM (11) de funcionamento em conjunto com CCR (Forwarder).
Scan Matching (13)
Solução Proposta (7) Fonte: (MICROSOFT, 2009).
Resultados (15) 11/66
Conclusão (2)
Trabalhos Futuros (3).
12. MICROSOFT ROBOTICS
®
DEVELOPER STUDIO
(MRDS)
Introdução (3)
Objetivo
Metodologia (3)
MRDS (4/4)
SLAM (11)
Scan Matching (13)
Solução Proposta (7)
Resultados (15) 12/66
Conclusão (2)
Trabalhos Futuros (3).
14. Localização e
Mapeamento Simultâneo
(SLAM)
●
Posição do Robô
y
x
(a) (b)
Introdução (3)
Objetivo
Metodologia (3) (a) 2D (plano) – (x, y, θ)
MRDS (4)
SLAM (2/11)
Scan Matching (13)
Solução Proposta (7)
(b) 3D (espaço) – (x, y, z, φ, θ, ψ)
Resultados (15) 14/66
Conclusão (2)
Trabalhos Futuros (3).
15. Localização e
Mapeamento Simultâneo
(SLAM)
●
Localização
Dados:
●
Mapa Global.
●
Posição inicial.
●
Leituras dos sensores.
Obter:
●
Posição do robô enquanto se
Introdução (3)
Objetivo movimenta.
Metodologia (3)
MRDS (4)
SLAM (3/11)
Scan Matching (13)
Solução Proposta (7)
Resultados (15) 15/66
Conclusão (2)
Trabalhos Futuros (3).
16. Localização e
Mapeamento Simultâneo
(SLAM)
●
Localização
●
Dead-recknoning (navegação
estimada) – odometria, sensores
inerciais.
●
Problema: integração do erro.
●
GPS
●
Problema: restrito a ambientes externos.
Introdução (3)
Objetivo
Metodologia (3)
●
Marcos com localização conhecida.
MRDS (4)
SLAM (4/11)
●
Problema: restrito a ambientes
Scan Matching (13)
Solução Proposta (7) conhecidos.
Resultados (15) 16/66
Conclusão (2)
Trabalhos Futuros (3).
17. Localização e
Mapeamento Simultâneo
(SLAM)
●
Localização
●
Baseada em mapa: mapa global
construído incrementalmente a partir
de sucessivas leituras dos sensores
(mapa local) enquanto robô explora o
ambiente.
●
Problema: necessidade de sensores
Introdução (3) precisos e ambientes com características
Objetivo
Metodologia (3) físicas de fácil distinção.
MRDS (4)
SLAM (5/11)
Scan Matching (13)
Solução Proposta (7)
Resultados (15) 17/66
Conclusão (2)
Trabalhos Futuros (3).
19. Localização e
Mapeamento Simultâneo
(SLAM)
●
Mapeamento
●
Mapas Topológicos: Grafos (a) e
Diagramas de Voronoi (b).
Introdução (3)
Objetivo
Metodologia (3)
MRDS (4)
SLAM (7/11) (a) (b)
Scan Matching (13)
Solução Proposta (7) Fonte: (SLAMET et al., 2006)
Resultados (15) 19/66
Conclusão (2)
Trabalhos Futuros (3).
20. Localização e
Mapeamento Simultâneo
(SLAM)
●
Mapeamento
●
Mapas Baseados em Características:
Mapas de Marcos (Landmark Maps).
Exemplo estimação
do mapa e posição do
veiculo via filtro de
Kalman.
Fonte: Thrun (2002).
Introdução (3)
Objetivo
Metodologia (3)
MRDS (4)
SLAM (8/11)
Scan Matching (13)
Solução Proposta (7)
Resultados (15) 20/66
Conclusão (2)
Trabalhos Futuros (3).
21. Localização e
Mapeamento Simultâneo
(SLAM)
●
Segundo Thrun (2002) ao lidar com
situações reais, uma solução para
o problema SLAM deve lidar com
os seguintes aspectos:
●
Limitações e ruídos dos sensores.
●
Acúmulo de erros.
Introdução (3)
●
Dimensionalidade dos dados.
Objetivo
Metodologia (3)
MRDS (4)
●
Correta associação entre dados do
SLAM (9/11)
Scan Matching (13)
Solução Proposta (7)
ambiente, tratamento de obstáculos e
Resultados (15)
Conclusão (2)
ambientes dinâmicos. 21/66
Trabalhos Futuros (3).
22. Localização e
Mapeamento Simultâneo
(SLAM)
●
Abordagens
●
EKF um dos mais utilizados na
solução SLAM (THRUN; BURGARD;
FOX, 2005).
●
Mapas de marcos são empregados para
calcular estimativas de posicionamento e
modelar as incertezas relativas a
Introdução (3)
solução gerada.
Objetivo
Metodologia (3)
●
Utiliza modelo estatístico de sensores e
MRDS (4)
SLAM (10/11) movimentação do robô.
Scan Matching (13)
Solução Proposta (7)
Resultados (15) 22/66
Conclusão (2)
Trabalhos Futuros (3).
23. Localização e
Mapeamento Simultâneo
(SLAM)
●
Abordagens
●
Correspondência (matching) entre marcos
(BORENSTEIN et al., 1997) ou entre
pontos identificados pelo sensor no
ambiente (LU; MILIOS, 1994).
●
Abordagem essencialmente numérica e
computacional (DISSANAYAKE et al., 2001).
Introdução (3)
Objetivo
●
Boa parte destes métodos empregam
Metodologia (3)
MRDS (4) variações do algoritmo ICP (Iterative Closest
SLAM (11/11)
Scan Matching (13) Point) desenvolvido por Besl e McKay (1992).
Solução Proposta (7)
Resultados (15) 23/66
Conclusão (2)
Trabalhos Futuros (3).
24. Scan Matching
●
Alinhamento entre conjunto de
pontos (2D ou 3D).
●
Conjunto observado é alinhado a
um conjunto referência com o
objetivo de obter a máxima
correspondência entre seus
elementos.
Introdução (3)
Objetivo
Metodologia (3)
MRDS (4)
●
Obter a translação e rotação
SLAM (11)
Scan Matching (1/13) necessária para a sobreposição
Solução Proposta (7)
Resultados (15)
Conclusão (2)
máxima entre os conjuntos. 24/66
Trabalhos Futuros (3).
25. Scan Matching
●
Segundo Lu e Milios (1994), pode-
se definir também como um
método de busca em que a menor
distância entre os conjuntos é o
estado final desejado.
●
Usualmente a estimativa de
deslocamento por dead-recknoning
Introdução (3)
Objetivo
Metodologia (3)
é utilizada como aproximação
inicial para esta busca (LU;
MRDS (4)
SLAM (11)
Scan Matching (2/13)
Solução Proposta (7)
Resultados (15) MILIOS,1994). 25/66
Conclusão (2)
Trabalhos Futuros (3).
26. Scan Matching
Pode-se classificar estes algoritmos
como:
●
Correspondências baseadas
apenas em características (feature
to feature).
●
Correspondências baseadas em
Introdução (3)
pontos e características (point to
Objetivo
Metodologia (3)
MRDS (4)
feature).
SLAM (11)
Scan Matching (3/13)
Solução Proposta (7)
●
Correspondências baseadas
Resultados (15)
Conclusão (2)
Trabalhos Futuros (3).
apenas em pontos (point to point).
26/66
27. Scan Matching
Correspondência entre pontos
gerados pelo sensor laser
●
Caso (point to point).
●
Neste trabalho, o sensor está
montado em um plano paralelo ao
chão do robô, perfazendo um recorte
2D do ambiente.
Introdução (3)
Objetivo
Metodologia (3)
MRDS (4)
SLAM (11)
Scan Matching (4/13)
Solução Proposta (7)
Resultados (15) 27/66
Conclusão (2)
Trabalhos Futuros (3).
28. Scan Matching
(a) (b)
(a) Direção de transmissão e ângulo máximo de escaneamento
Introdução (3) do Sick LMS200. Fonte: https://www.mysick.com
Objetivo (b) Configuração e leitura do sensor Sick no P3DX. Fonte:
Metodologia (3)
MRDS (4) http://www.mbeckler.org/coursework/2007-2008/robotics_slam.pdf
SLAM (11)
Scan Matching (5/13)
Solução Proposta (7)
Resultados (15) 28/66
Conclusão (2)
Trabalhos Futuros (3).
29. Scan Matching
(3.1)
=180º
=0,5º (3.2)
i=0,... , N.
Introdução (3) N =360
Objetivo
Metodologia (3) (a) (b)
MRDS (4)
SLAM (11)
Scan Matching (6/13) (a) Coordenadas polares e cartesianas para o ponto pi k
e
Solução Proposta (7) respectivas equações (b).
Resultados (15) 29/66
Conclusão (2)
Trabalhos Futuros (3).
30. Scan Matching
Os pontos de uma leitura devem
ser associadas com os de outra.
(a) Antes do alinhamento e (b)
Depois do alinhamento.
correspondência correspondência
Introdução (3)
Objetivo
Metodologia (3)
MRDS (4) pos
corr poscorr
k
k
SLAM (11)
Scan Matching (7/13)
pos odo pos corr
k 1
Solução Proposta (7) k 1
Resultados (15) 30/66
Conclusão (2)
Trabalhos Futuros (3).
(a) (b)
31. Scan Matching
●
Leituras consecutivas (k e k+1)
apresentam um deslocamento
relativo e um incremento rotacional
entre os planos XYK e XYk+1 dado
por Tk.
Introdução (3)
Objetivo
Metodologia (3)
MRDS (4)
SLAM (11)
Scan Matching (8/13)
Solução Proposta (7)
Resultados (15) 31/66
Conclusão (2)
Trabalhos Futuros (3).
32. Scan Matching
Para que seja estabelecida uma
correta correspondência entre as
leituras as novas devem ser
projetadas em XYK utilizando Tk.
Introdução (3)
Objetivo
Metodologia (3)
MRDS (4)
SLAM (11)
Scan Matching (9/13)
Solução Proposta (7)
Resultados (15) 32/66
Conclusão (2)
Trabalhos Futuros (3).
33. Scan Matching
●
Correspondência
●
Descarte de outliers e contagem de
correspondências válidas
Introdução (3)
Objetivo
Metodologia (3)
MRDS (4)
SLAM (11)
Scan Matching (10/13)
Solução Proposta (7)
Resultados (15) 33/66
Conclusão (2)
Trabalhos Futuros (3).
34. Scan Matching
●
Grau de sobreposição da transformação
●
Índice de qualidade da transformação
Introdução (3)
Objetivo
Metodologia (3)
MRDS (4)
SLAM (11)
Scan Matching (11/13)
Solução Proposta (7)
Resultados (15) 34/66
Conclusão (2)
Trabalhos Futuros (3).
37. Solução Proposta
●
(a) Aproximação inicial (tempo discreto
k=0).
●
(b) Aproximação inicial (tempo discreto
k>0)
correspondência correspondência
Introdução (3)
Objetivo
Metodologia (3)
MRDS (4)
poscorr
k poscorr
k
SLAM (11) cand. 0 cand. 0
odo Tk odo Tk
Scan Matching (13) pos k 1 pos k 1 T
ótimo.
k −1
Solução Proposta (1/7)
Resultados (15)
Conclusão (2)
(a) (b)
37/66
Trabalhos Futuros (3).
38. Solução Proposta
●
(c) Testes adicionais baseados em índice
de qualidade.
●
(d) Será escolhida a transformação que
apresentar o menor valor para o índice
para a equação (3.9).
correspondência correspondência
cand. 4
Tk
Introdução (3) cand. 4
aprox. 1 Tk
Objetivo T
Metodologia (3) poscorr
k poscorr
k
k
aprox. 2
MRDS (4) ótimo Tk
SLAM (11) T
cand.1
Tk
cand. 2 T k
k aprox. 3
Scan Matching (13) T
cand. 3 Tk
k
Solução Proposta (2/7)
Resultados (15) 38/66
Conclusão (2) (c) (d)
Trabalhos Futuros (3).
39. Solução Proposta
●
Mapas: local e global.
●
Passos:
1. Projeta-se mapa local utilizando a
estimativa odométrica.
2.
3. Calcula-se a qualidade desta
transformação dado pela equação (3.9)
4. Se índice calculado para a transformação
Introdução (3)
Objetivo for menor que limiar, a aproximação será
Metodologia (3)
MRDS (4) considerada boa e esta será usada para
SLAM (11)
Scan Matching (13) inserir as informações do mapa local no
Solução Proposta (3/7)
Resultados (15) mapa global. 39/66
Conclusão (2)
Trabalhos Futuros (3).
40. Solução Proposta
Passos:
5. Caso não (valor maior que limiar), então
são efetuados os seguintes testes
adicionais.
Introdução (3)
Objetivo
Metodologia (3)
MRDS (4)
SLAM (11)
Scan Matching (13)
Solução Proposta (4/7)
Resultados (15) 40/66
Conclusão (2)
Trabalhos Futuros (3).
54. Resultados
●
Ambiente E - Diferença relativa maior que
90% para os valores finais dos erros em
favor do ICP.
Introdução (3)
Objetivo
Metodologia (3)
MRDS (4)
SLAM (11)
Scan Matching (13)
Solução Proposta (7)
Resultados (11/15) 54/66
Conclusão (2)
Trabalhos Futuros (3).
55. Resultados
●
Ambiente E – Teste KS
●
Observa-se que tanto as correções
efetuadas pelo ICP, quanto as efetuadas
pela solução não foram muito significativas
para a correção de deslocamento.
Entretanto foram efetivas para a correção
angular.
Introdução (3)
Objetivo
Metodologia (3)
MRDS (4)
SLAM (11)
Scan Matching (13)
Solução Proposta (7)
Resultados (12/15) 55/66
Conclusão (2)
Trabalhos Futuros (3).
56. Resultados
Demais Ambientes
●
Ambiente A - Diferença relativa de
95,59% para ed final(m) e 95,24% para
eθ final(º) para solução.
Introdução (3)
Objetivo
Metodologia (3)
MRDS (4)
SLAM (11)
Scan Matching (13)
Solução Proposta (7)
Resultados (13/15) 56/66
Conclusão (2)
Trabalhos Futuros (3).
57. Resultados
Demais Ambientes
●
Ambiente C - Diferença relativa de
80,16% para ed final(m) e 24,45% para
eθ final(º) para a solução.
Introdução (3)
Objetivo
Metodologia (3)
MRDS (4)
SLAM (11)
Scan Matching (13)
Solução Proposta (7)
Resultados (14/15) 57/66
Conclusão (2)
Trabalhos Futuros (3).
58. Resultados
Demais Ambientes
●
Ambiente D - Diferenças relativas
maiores que 90% em favor do ICP.
Introdução (3)
Objetivo
Metodologia (3)
MRDS (4)
SLAM (11)
Scan Matching (13)
Solução Proposta (7)
Resultados (15/15) 58/66
Conclusão (2)
Trabalhos Futuros (3).
59. Conclusão
●
Através dos resultados obtidos pode-se
afirmar que este método obtém êxito em
alguns casos, principalmente aqueles em
que o ambiente possui uma maior
”rugosidade”.
●
Para estes ambientes, os resultados foram
sensivelmente superiores, obtendo uma
diferença relativa maior que 50% para os
Introdução (3) valores finais dos erros de deslocamento e
Objetivo
Metodologia (3) maior que 20% para os valores finais dos
MRDS (4)
SLAM (11) erros angulares (ambientes A, B e C).
Scan Matching (13)
Solução Proposta (7)
Resultados (15) 59/66
Conclusão (1/2)
Trabalhos Futuros (3).
60. Conclusão
●
Para os ambientes com menor
“rugosidade” (D e E) observou-se que tanto
o ICP quanto a solução conseguem
melhorar a estimativa, mas não muito
devido a ambiguidade destes ambientes.
Introdução (3)
Objetivo
Metodologia (3)
MRDS (4)
SLAM (11)
Scan Matching (13)
Solução Proposta (7)
Resultados (15) 60/66
Conclusão (2/2)
Trabalhos Futuros (3).
61. Trabalhos Futuros
Para melhorar a solução proposta, pode-se
considerar a utilização em conjunto com:
●
Métodos probabilísticos como ferramenta
para se minimizar os efeitos dos problemas
causados pela ambiguidade presente em
certos ambientes. Durante as simulações
este fenômeno demostrou-se mais
significativo do que era esperado.
●
Métodos de aprendizado por reforço como
Introdução (3)
Objetivo em Monteiro e Ribeiro (2004), também
Metodologia (3)
MRDS (4) poderiam diminuir os efeitos causados pela
SLAM (11)
Scan Matching (13) ambiguidade.
Solução Proposta (7)
Resultados (15) 61/66
Conclusão (2)
Trabalhos Futuros (1/3)
62. Trabalhos Futuros
●
Fusão de vários mapas de robôs diferentes,
utilizando um método como o descrito em
Biber e Strasser (2006).
●
Inserção de métodos para aceleração
da seleção e descarte prévios de
outliers. O tempo de processamento
pode ser reduzido significativamente se
implementado um método que permita
Introdução (3)
diminuir o número de comparações em
Objetivo
Metodologia (3)
cada iteração, ou ao menos mantê-lo
MRDS (4)
SLAM (11) constante.
Scan Matching (13)
Solução Proposta (7)
Resultados (15) 62/66
Conclusão (2)
Trabalhos Futuros (2/3)
63. Trabalhos Futuros
●
Adição de métodos para detecção de ciclos
no ambiente e semelhança entre regiões
previamente exploradas. O uso em
conjunto com um método como o proposto
em Gutmann e Konolige (1999), no qual é
feito registo local e correlação global, pode
apresentar bons resultados.
●
Utilização em conjunto com algoritmos para
planejamento de rotas: pode ser empregado
Introdução (3)
Objetivo
juntamente com mapas topológicos, para
Metodologia (3)
MRDS (4)
construção de algoritmos de navegação, ou
SLAM (11)
Scan Matching (13)
algum outro método como, por exemplo,
Solução Proposta (7)
Resultados (15)
VFH (BORENSTEIN; KOREN, 1991). 63/66
Conclusão (2)
Trabalhos Futuros (3/3)
64. Aplicações
●
Robotic mapping/floor plan
technology
http://www.youtube.com/watch?v=jxMVshpYYyk&NR=1
64/66
65. Links Interesantes
●
SLAM for dummies
http://ocw.mit.edu/NR/rdonlyres/Aeronautics-and-Astronautics/16-
412JSpring-2005/9D8DB59F-24EC-4B75-BA7A-
F0916BAB2440/0/1aslam_blas_repo.pdf
●
OpenSlam
http://www.openslam.org/
●
The Mobile Robot Programming Toolkit
(MRPT)
http://babel.isa.uma.es/mrpt/index.php/Main_Page
●
The Rawseeds Project
http://www.rawseeds.org
●
Professional Microsoft Robotics Developer Studio
Companion Web Site.
http://www.promrds.com 65/66
66. CENTRO TÉCNICO AEROESPACIAL
INSTITUTO TECNOLÓGICO DE AERONÁUTICA
DIVISÃO DE ENGENHARIA ELETRÔNICA
DEPARTAMENTO DE SISTEMAS DE CONTROLE
LOCALIZAÇÃO E MAPEAMENTO EM TEMPO
REAL UTILIZANDO ROBÔ SIMULADO NO
MICROSOFT® ROBOTICS DEVELOPER STUDIO
Wilian França Costa
Orientador: Prof. Dr. Jackson Paul Matsuura
Co-orientador: Prof. Dr. Alexandre da Silva Simões
São José dos Campos, 23 de dezembro de 2009
66/66