Tài liệu Báo cáo " Robot di động đa cảm biến và định vị robot bằng phương pháp tổng hợp cảm biến với bộ lọc Kalman mở rộng " ppt

Hội thảo toàn quốc về Điện tử - Truyền thông – An toàn thông tin, ATC/REV-2012 Robot di động đa cảm biến và định vị robot bằng phương pháp tổng hợp cảm biến với bộ lọc Kalman mở rộng M

Hội thảo toàn quốc về Điện tử - Truyền thông – An toàn thông tin, ATC/REV-2012

Robot di động đa cảm biến và định vị robot bằng phương pháp tổng hợp cảm biến với bộ lọc Kalman mở rộng

Multi-sensor mobile robot and the sensor fusion-based localization

with Extended Kalman Filter

Trần Thuận Hoàng, Phùng Mạnh Dương, Đặng Anh Việt và Trần Quang Vinh

Trường Đại học Công nghệ, Đại học Quốc gia Hà nội

Tóm tắt

Báo cáo trình bày việc xây dựng khối cảm nhận

của một robot di động đa cảm biến và việc dùng

phương pháp tổng hợp cảm biến với bộ lọc Kalman

mở rộng để định vị chính xác cho robot Các cảm biến

hiện đại như cảm biến lập mã trục quay, cảm biến chỉ

hướng, cảm biến đo xa laser, cảm biến ảnh toàn

phương, cảm biến siêu âm, bộ định vị toàn cầu GPS

cùng được sử dụng trong robot Điều này đòi hỏi phải

thiết kế một hệ thông tin dữ liệu có hiệu quả Trên cơ

sở hệ thống đó, các chương trình điều khiển đã được

phát triển dựa vào phương pháp tổng hợp cảm biến

bằng bộ lọc Kalman mở rộng, cho phép xác định

chính xác vị trí và hướng của robot trong điều kiện có

can nhiễu của môi trường

1 Phần mở đầu

Robot di động, như dạng các xe tự hành, cho

nhiều khả năng ứng dụng trong công nghiệp và dịch

vụ Việc nghiên cứu phát triển các robot kiểu này hiện

đang là bài toán được nhiều nhà nghiên cứu điện tử và

điều khiển tự động trên thế giới cũng như ở Việt nam

quan tâm Một trong các vấn đề cần giải quyết là việc

định vị chính xác cho robot trong quá trình dẫn đường

nó tới đích Nhìn chung, một robot gồm 3 thành phần

cơ bản: bộ phận cảm nhận, bộ phận điều khiển và bộ

phận chấp hành [1] Với nhiệm vụ định vị, bộ phận

cảm nhận gồm các cảm biến điện tử cùng các mạch

xử lý tín hiệu phần cứng và chương trình phần mềm

đóng vai trò then chốt cho phép robot tự ước lượng

chính xác vị trí và hướng của nó tại một thời điểm

chuyển động dựa vào các thông số đọc được từ các

cảm biến Tuy nhiên, mỗi cảm biến thường chỉ đo

được một hoặc hai tham số môi trường với độ chính

xác giới hạn, vì vậy một cách tự nhiên thấy rằng nếu

sử dụng càng nhiều cảm biến thì càng có khả năng

tăng được độ chính xác ước lượng vị trí của robot Đó

là lý do phương pháp tổng hợp các cảm biến (sensor

fusion) hiện nay đang được áp dụng phổ biến trong

các hệ thống robot hiện đại để tăng độ chính xác của

đo lường [2,3] Cơ sở thực hiện phương pháp này hầu

hết được dựa trên suy luận xác suất Bộ lọc Kalman

mở rộng (EKF) là giải pháp xác suất hiệu quả để ước

tính đồng thời các vị trí của robot dựa trên một số thông tin về cảm biến nội và cảm biến ngoại của nó

Từ các xuất phát điểm nêu trên, báo cáo này trình bày việc xây dựng bộ phận cảm nhận cho một robot di động đa cảm biến (sensor) với thiết kế các mạch điện

tử liên quan và một mạng truyền thông có hiệu quả giữa các sensor và bộ điều khiển Trên cơ sở đó, một chương trình phần mềm tổng hợp các cảm biến dựa trên lý thuyết bộ lọc Kalman mở rộng đã được phát triển và được trình bày cho phép cải thiện đáng kể độ chính xác của phép định vị robot

Nội dung của bài báo được sắp xếp như sau: Mục

2 trình bày về kết cấu phần cứng điện tử bộ phận cảm nhận đa cảm biến cùng hệ thống truyền thông trong robot; mục 3 trình bày tóm tắt các cơ sở về mạch lọc Kalman nổi tiếng, áp dụng vào mô hình động học của robot để ước lượng chính xác vị trí; mục 4 là các kết quả thực nghiệm với robot được xây dựng và thảo luận

2 Bộ phận cảm nhận đa sensor và hệ thống truyền thông trong robot

2.1 Thiết kế bộ phận cảm biến cho robot

Hình 1 là ảnh chụp robot với các cảm biến được thiết kế lắp đặt trên đó

Hình 1 Robot di động và các cảm biến

Robot được xây dựng là loại có 2 bánh xe, mỗi

bánh được gắn với một mô-tơ điện được điều khiển

độc lập Nhiều loại cảm biến đã được thiết kế lắp đặt

trong bộ phận cảm nhận của robot di động này, dưới

đây trình bày tóm tắt nguyên lý hoạt động và tính năng

kỹ thuật của chúng

 Cảm biến lập mã quang (optical encoder) được

gắn trực tiếp với trục quay mô-tơ, được dùng để đo

vận tốc 2 bánh xe robot Bộ lập mã quang như hình 2

cho thấy về cơ bản là một đĩa quay làm đóng-ngắt

chùm tia sáng đi qua các khe Cùng bộ phận điện tử

chuyển đổi quang-điện (optron), cơ cấu này phát ra số

xung điện lối ra tương ứng với một vòng quay của trục

mô-tơ Nếu đường kính của bánh xe và tỷ số truyền

lực (tỷ số truyền bánh răng từ trục mô-tơ ra bánh xe

robot) đã biết thì vị trí góc và tốc độ của bánh xe có

thể xác định được Việc xác định vị trí của robot bằng

bộ lập mã quang này là phương pháp phổ biến trên thế

giới có tên là Odometry [1]

Hình 2 Cấu trúc bộ lập mã quang

 Cảm biến chỉ hướng (heading sensor) cho phép

đo góc hướng của robot so với phương từ trường của

quả đất Đây là một mô-đun cảm biến từ-địa bàn

CMPS03 hoạt động dựa trên nguyên tắc hiệu ứng Hall

với độ phân giải góc là 0,1 Như trên hình 3 thấy

mô-đun có 2 trục hướng x và y Cảm biến cung cấp số liệu

đo cường độ từ trường theo các trục hướng này, từ đó

có thể xác định được góc lệch của mô-đun so với

phương từ trường quả đất khi nó được gắn cố định trên

robot Một vi xử lý tích hợp trong mạch điện tử của

mô-đun cung cấp các số đo này theo chuẩn truyền

thông nối tiếp [4] Người sử dụng phải lập trình nhúng

để thu thập số liệu

Hình 3 Mô-đun chỉ hướng

 Cảm biến đo xa laser LRF (laser ranger finder)

model-LM211 của hãng SICK với dải đo từ 0,4 m đến

80 m đã được lắp đặt trong robot Đây là một thiết bị

cho phép xác định nhanh chóng và chính xác khoảng

cách và góc lệch từ robot tới vật cản Cảm biến hoạt

động trên nguyên lý đo thời gian từ thời điểm một

xung sáng laser hồng ngoại được phát ra đến thời

điểm thu được xung này khi nó được phản xạ từ vật

cản trong môi trường Một hệ thống đo thời gian cực

kỳ chính xác trong thiết bị cho các số đo được dùng

để tính khoảng cách đến vật khi biết vận tốc của ánh sáng trong môi trường quanh robot Bằng việc gắn một gương phản xạ quay trên đường đi của tia sáng, các xung laser này được làm chệch hướng khi gương quay Gương phản xạ quay với tốc độ 75 vòng/giây tạo nên một dải quét tia laser hình rẻ quạt ở phía trước cảm biến với một trường nhìn 2D Trong mỗi lần quét như vậy, các xung laser được phát đi chệch hướng với

trục x một góc β với độ phân giải 0,25; 0,5 hoặc 1

như mô tả trên hình 5 Lúc này, bộ phận điện tử trong LRF sẽ phát ra một tập số liệu về khoảng cách đến đối tượng và góc quét tương ứng ở lối ra [5] Người sử dụng phải lập trình để thu thập chính xác tập số liệu cho một chu kỳ quay gương (chu kỳ quét tia laser), là 13,3 ms

Hình 4 Mặt phẳng tia laser với các góc quét β

 Cảm biến ảnh toàn phương (omni-directional

camera) loại Hyper-Omni Vision SOIOS 55 đã được

sử dụng Nó gồm một gương lồi phản xạ hình ảnh trong toàn không gian cùng một camera thông thường được đặt ở mặt phẳng ảnh của gương như hình 5 Ảnh toàn phương chứa đựng thông tin về vị trí của các đối tượng theo các góc hướng trong toàn không gian 360 [6]

Hình 5 Cấu tạo của camera toàn phương, ảnh toàn

phương và ảnh toàn cảnh

 Cảm biến siêu âm: được dùng rất phổ biến cho

robot di động vì rẻ và dễ sử dụng Loại cảm biến này cho các thông tin về khoảng cách đến vật cản với thời gian thu thập số liệu nhanh Tuy nhiên việc sử dụng chúng mắc phải các nhược điểm do tính phản

xạ xuyên âm và các số đo không ổn định do chùm tia siêu âm bị tán xạ hình nón chứ không phải là một tia hẹp [7] Vì vậ y, chúng tôi chỉ sử dụng các cảm biến này để phát hiện những vật cản gần, giữ an toàn cho robot 8 module cảm biến siêu âm loại SRF05 đã được lắp đặt cho phép phát hiện được vật từ 3cm đến 4m với sai số là 2%; góc mở chùm siêu âm phát ra khoảng 22,50

 Cảm biến định vị toàn cầu GPS: chủ yếu áp

dụng cho định vị ở môi trường ngoài trời Một

mô-đun HOLUX GPS UB-93 đã được lắp đặt và phát

triển phần mềm thu thập dữ liệu trong robot [8] Vì

robot được thiết kế lắp đặt cả mạng ghép nối Internet,

nên một hệ thống mở rộng A-GPS cũng đã được phát

triển, cho phép trợ giúp cảm biến GPS thu nhận dữ

liệu định vị tốt ngay cả trong các thời khoảng gặp

điều kiện thu thông tin vệ tinh không được tốt

Ngoài hệ thống các cảm biến nêu trên dùng cho

hoạt động tự trị (autonomous), chúng tôi còn thiết kế

hệ thống điều khiển khiển Robot từ xa qua mạng

Internet 3G, cho phép người điều khiểu có thể điều

khiển robot bằng Joystick

2.2 Phần cứng mạng thông tin cảm nhận trong

robot

Sơ đồ khối kết nối mạng thông tin trong robot

được chỉ ra trên hình 6

Hình 6 Mạng thông tin cảm nhận trong robot

Các cảm biến kể trên được kết nối với bộ phận

điều khiển của robot Do đặc điểm về tốc độ thông tin

khác nhau giữa các cảm biến và thông tin ở đây là loại

điểm-đa điểm, nên một thiết kế đặc biệt cho mạng

truyền tin trong robot đã được thực hiện Ngoại trừ

cảm biến ảnh toàn phương được kết nối với hệ thống

vi tính trong robot qua kênh thông tin tốc độ cao

IEEE-1394; các cảm biến còn lại được thiết kế thông

tin với hệ điều khiển qua một chuẩn công nghiệp

điểm-đa điểm theo phương pháp hỏi vòng (polling) với đường truyền RS-485 được điều khiển qua vi điều khiển MCUdsPIC 30F4011

2.3 Phát triển phần mềm thu thập thông tin từ các cảm biến

Từ hình 6 cho thấy có thể chia phần mềm thu thập thông tin từ các cảm biến thành các mô-đun có các đặc điểm riêng sau

 Thông tin hình ảnh toàn phương được thu thập trực tiếp vào máy vi tính và xử lý qua chương trình được phát triển trên môi trường Visual C ++ với công

cụ là gói phần mềm mở OpenCV của Intel

 Các thông tin còn lại được trao đổi từ 14 nút mạng với nút điều khiển từ máy tính (3 nút cho mạch

đo bộ lập mã quang và quay LRF, 1 nút cho cảm biến từ-địa bàn chỉ hướng, 1 nút cho truyền luồng dữ liệu từ LRF, 1 nút cho cảm biến GPS, 8 nút cho 8 cảm biến siêu âm) được truyền qua đường truyền RS-485 sử dụng giao thức Modbus/RTU [9]

 Chương trình thu thập và xử lý dữ liệu từ máy đo

xa laser LRF là loại đặc biệt được phát triển riêng trong ngôn ngữ Visual C++ Sau khi nhận lệnh yêu cầu truyền số liệu từ máy tính, LRF sẽ gửi về liên tục các khung dữ liệu đo tương ứng với mỗi mặt quét ngang trong thời gian 13,3 ms Định dạng dữ liệu khung gồm

7 byte tiêu đề, 2N byte số liệu với 2 byte cho một điểm

đo và cuối cùng là 2 byte mã phát hiện lỗi CRC [5]

Chương trình cần xác định được điểm khởi phát của luồng ký tự dữ liệu ra LRF bằng việc xác định chính xác 7 byte tiêu đề Các byte này là khác nhau với các chế độ đo khác nhau Với định dạng khung truyền 720 điểm dữ liệu LRF thì bộ đệm được chọn từ 1.700 đến 2.000 byte Kích thước này cũng không nên lớn quá vì làm chậm lại quá trình truyền dữ liệu

3 Chương trình tổng hợp các cảm biến dùng cho định vị robot di động

Bắt đầu với mô hình động học của robot di động được thiết kế chế tạo của chúng tôi Hình 7 biểu diễn

hệ toạ độ và ký hiệu robot, trong đó (XG YG) là hệ tọa

độ toàn cục, (XR, YR) là tọa độ cục bộ gắn với tâm robot R là bán kính của bánh xe, và L là khoảng cách giữa các bánh xe

Hình 7 Thế và các tham số của robot

Mô đun

GPS

Mô đun

từ-địa bàn

Các mô-đun

siêu âm

Trigger cho

LRF

Máy đo xa laser (LMS)

Điều khiển PID

Encoder M0

MCU dsPIC 30F4011

Trigger switch

USB to RS-485

PC

USB

1394

Card bắt hình

Điều khiển PID

Điều khiển

M1

M2 Encoder

Encoder

Camera toàn

phương

Mô-tơ quay LRF

Mô tơ bánh xe 1 nối mạng Internet

Trong khoảng thời gian lấy mẫu số liệu đo Δt, các

tốc độ góc của các bánh xe bên trái ωL và bên phải ωR

tạo ra các lượng di chuyển tương ứng của bánh trái

ΔsL và bánh phải ΔsR:

ΔsL = Δt.R ωL ; ΔsR = Δt.R ωR

Từ đó dẫn đến sự dịch chuyển của tâm robot Δs và

góc hướng của robot Δθ:

2

s

L



Trạng thái của robot tại thời điểm k+1 trong khung

tọa độ toàn cục có thể được cập nhật như sau:

1

1

1

s







(1)

Trong thực tế, hệ thống (1) gặp phải các sai số hệ

thống (như sai số kích thước các chi tiết cơ khí, độ

lệch trục, giới hạn độ phân giải của encoder, .) và

các sai số không hệ thống (như độ trượt của các bánh

xe với mặt sàn, ) Do đặc tính tích lũy của các sai số

này nên độ chính xác của việc ước lượng vị trí sẽ càng

bị kém đi khi robot di chuyển [10] Có nhiều công

trình cố gắng tăng độ tin cậy của việc định vị này

trong đó sử dụng bộ lọc Kalman Chúng tôi cũng đã

áp dụng phương pháp tổng hợp cảm biến bằng thuật

toán lọc Kalman để định vị cho robot được chế tạo và

đã nhận được kết quả cải thiện được chất lượng của

các phép đo này đáng kể

Có thể tóm tắt phương pháp này như sau Nếu

[ ]T

X x y  là vectơ trạng thái của robot đang ở tọa

độ x, y và góc hướng , trên mặt phẳng mà nó di

chuyển, trạng thái này có thể được quan sát bởi một

số phép đo tuyệt đối, z Các phép đo này được miêu tả

bởi một hàm phi tuyến, h, của hệ toạ độ robot và một

quá trình nhiễu Gaussian độc lập, v Tổng quát, (2) là

một hàm phi tuyến, f, với một vector đầu vào u, có

phương trình trạng thái và phương trình lối ra như

sau:

x  f x u w (2)

( )

z h x v (3)

Trong đó các biến ngẫu nhiên w k và v k biểu diễn cho

quá trình và nhiễu đo tương ứng Chúng được giả định

là độc lập với nhau, ồn trắng, và với phân bố xác suất

chuẩn:

~ (0, ) ~ (0, ) ( T) 0

Dựa trên các số liệu đo z, có thể tìm được một hệ

số Kalman K trong mỗi chu kỳ lấy mẫu tín hiệu đo

thuộc một vòng lặp đệ quy gọi là bộ lọc Kalman, sao

cho giá trị ước lượng trạng thái của hệ gần với giá trị

thực nhất Bộ lọc Kalman mở rộng, áp dụng cho các

hệ phi tuyến, được thực hiện qua các bước như sau

[11]:

1 Bước dự báo với các phương trình cập nhật:

1 -1

ˆk ˆk , k )

x  f x u (4)

P A P A W Q W (5)

Trong đó ˆ- n

k

x  là ước lượng trạng thái tiên nghiệm tại thời điểm k cho biết giá trị trước quá trình tại thời điểm k

ˆ

-k

P là ma trận hiệp phương sai của sai số dự báo

trạng thái

A k là Jacobi của đạo hàm riêng của f theo x

W k là Jacobi của đạo hàm riêng của f theo w

Q k-1 là ma trận hiệp phương sai nhiễu đầu vào phụ thuộc vào độ lệch chuẩn của nhiễu của tốc độ góc của các bánh xe Chúng được mô hình hóa như là tỷ lệ

thuận với tốc độ góc ω R-k , và ω L-k của các bánh xe tại thời điểm k Điều này dẫn đến phương sai bằng và R2  , trong đó δ là một hằng số xác định L2

bởi các thực nghiệm

Ma trận hiệp phương sai Q được xác định:

2 , 2 ,

0

0

R k k

L k

Q  

 

(6)

2 Bước hiệu chỉnh với các phương trình cập nhật

phép đo:

K P H H P H V R V (7)

xˆk xˆk-K z k( k- (h x-k, 0)) (8)

P  I K H P (9) Trong đó ˆx   k nlà ước lượng trạng thái hậu nghiệm

tại thời điểm k, giá trị thu được sau khi đo lường z k

K k là hệ số độ lợi Kalman

V k là Jacobi đạo hàm riêng của h theo v

H k là Jacobi đạo hàm riêng của h theo x

Rk là ma trận hiệp phương sai của nhiễu được ước lượng từ nhiễu trong phép đo của bộ mã hóa bánh xe

và các cảm biến khác Các phép đo của các bộ cảm

biến này được thu thập vào trong véc tơ zk như sau: Bằng phương trình hệ thống (2), các tham số trạng

thái (x m odometry , y m odometry và θ m.odometry) nhận gián tiếp bằng các chỉ số đọc từ bộ mã hóa bánh xe

Góc hướng robot có thể cũng được đo trực tiếp bởi phép đo tuyệt đối với cảm biến từ-địa bàn

θ m.compass Máy đo xa laser LRF cho phép đo các điểm đặc trưng của môi trường quanh robot Trong trường hợp này chúng tôi chọn là một đường thẳng được phát hiện bởi LRF (ví dụ như đường cắt ngang một bức

tường trong phòng) Bằng phép biến đổi Hough, hai

thông số của đường thẳng này có thể nhận được, đó

là: khoảng cách r từ đường thẳng đến gốc tọa độ và

góc  gữa đường thẳng và một trục tọa độ như hình 8

chỉ ra

Hình 8 Máy đo LRF đặt trên robot đo 2 thông số của

một đường thẳng trong môi trường

Camera toàn phương cũng dễ dàng cho được các

thông số đo đặc điểm môi trường với các cột mốc Cột

mốc là các vật đặt tại các tọa độ biết trước (xL, yL)

trong môi trường di chuyển của robot Cột có màu sắc

hay hình dạng định trước để chương trình thị giác

máy tính có thể nhận dạng được Từ đó giá trị đo các

góc i giữa hướng robot R với các cột mốc Mi có thể

nhận được (hình 9)

Hình 9 Camera toàn phương đo góc tới các cột mốc

Kết hợp các phép đo gián tiếp từ Odometry và các

phép đo trực tiếp từ các cảm biến như nói trên ta có

ma trận z k trong phương trình sửa giá trị ước lượng

(8) có dạng như sau:

m.odometry m.odometry m.odometry m.compass m.LRF m.LRF

m camera

k

x y

z

r











(10)

Ma trận hiệp phương sai R k của nhiễu đo có cấu

trúc đường chéo Nhiễu của phép đo tốc độ bánh xe

có thể được xác định bởi thực nghiệm Sự chính xác

của các cảm biến từ-địa bàn, của các phép đo LRF và

cameara nhận được từ đặc điểm kỹ thuật của nhà sản

xuất Các số liệu này được điền vào Rk cho bước điều

chỉnh EKF

L R compass k

R









0

LRF

LRF

r



)

0 var(

 camera

4 Kết quả thực nghiệm và thảo luận

Robot đã được thiết kế, chế tạo và cho chạy thử nghiệm trong một phòng có mặt sàn gỗ phẳng Cảm biến từ-địa bàn có độ chính xác 0,1 Máy đo xa LRF

có độ chính xác đo khoảng cách là 30 mm và góc lệch

±0,25 Thời gian lấy mẫu tín hiệu t của LRF là 0,1 s Hệ số tỷ lệ  của ma trận hiệp phương sai lối

Robot được lập trình di chuyển trong phòng với các trường hợp khác nhau:

- Chỉ sử dụng định vị bằng phương pháp Odometry

- Sử dụng định vị bằng phương pháp tổng hợp cảm biến với bộ lọc EFK Với phương pháp này cũng thử với các cấu hình khác nhau: trộn lẫn chỉ sensor từ-địa bàn, trộn lẫn chỉ RLF, trộn lẫn

cả hai cảm biến với phương pháp Odometry Kết quả các quỹ đạo di chuyển nhận được từ các số liệu so với quỹ đạo thực được chỉ ra trên hình 10 cho thấy sự cải thiện đáng kể khi áp dụng phương pháp tổng hợp cảm biến và kết quả cũng cho thấy càng có nhiều cảm biến tham gia vào quá trình này thì giá trị ước lượng vị trí robot càng gần với giá trị thực [12]

Hình 10 Quỹ đạo robot ước lượng được với các cấu hình bộ lọc EFK khác nhau

Hình 11 là kết quả chi tiết về độ lệch theo phương chuyển động Y của robot nhận được từ các phép đo so với giá trị thực với các trường hợp khác nhau Hình

12 là kết quả khác chứng minh hiệu quả của bộ lọc Kalman khi cho robot di chuyển theo một quỹ đạo hình vuông trong phòng với các trường hợp có và không có bộ lọc Kalman Đường vị trí robot được ước lượng với EKF cho thấy nó rất gần với đường đi thực của robot

Hình 11 Độ lệch theo phương Y giữa các vị trí ước lượng

và vị trí thực với các cấu hình EKF khác nhau

Hình 13 Hiệu quả của bộ lọc Kalman

5 Kết luận

Các kết quả cải thiện giá trị định vị của robot di

động bằng phương pháp tổng hợp cảm biến với bộ lọc

Kalman cho thấy việc xây dựng robot đa sensor là có ý

nghĩa thiết thực giúp cho quá trình dẫn đường robot

trong hoạt động tự trị của nó

Những nghiên cứu định lượng tiếp theo sẽ được áp

dụng trên hệ thống robot được thiết kế lắp đặt hứa hẹn

sẽ có thêm các kết quả hữu ích đóng góp cho lĩnh vực

nghiên cứu về robot di động, một loại sản phẩm tiềm

năng trong các lĩnh vực công nghiệp, dịch vụ, an ninh

quốc phòng

Đề tài nhận được sự hỗ trợ từ phòng thí nghiệm

các hệ tích hợp thông minh SIS thuộc Đại học Công

nghệ, ĐHQG HN

Tài liệu tham khảo

[1] J Borenstain, H.R Everette, and L Feng, "Where

I am ? Sensor and Methods for Mobile Robot

Positioning", University of Michigan, 1996

[2] H F Dunant-Whyte , “Sensor models and multi-sensor integration”,Z nt.J.Robot Res., vol 7, no

6, pp 97-113, 1988

[3] Y C Tang and C S G Lee, “A geometric feature relation graph formulation for consistent sensor fusion” , in Proc IEEE 1990 Int ConSyst.,

Man, Cybern., Los Angeles, CA, 1990, pp

188-193

[4] http://www.robotelectronics.co.uk/htm/cmps3tec h.htm

[5] Sick AG., 2006-08-01 Telegrams for Operating/ Configuring the LMS 2xx (Firmware Version V2.30/X1.27), www.sick.com , Germany [6] N Winters et al, “Omni-directional vision for robot navigation”, Omnidirectional Vision, 2000

Proceedings IEEE Workshop on, Hilton Head Island , USA, Jun 2000

[7] J L Crowly, “World modeling and position estimation for a mobile robot using ultrasonic ranging”, in Proc IEEE Int Conf Robot.,

Automat., 1989, pp 674-680

[8] http://www.holux.com [9] http://www.modbus.org/ “MODBUS over serial line specification and implementation guide V1.02” Dec 20, 2006

[10] J Borenstein and L Feng, “A Method for Measuring, Comparing, and Correcting Dead-reckoning Errors in Mobile Robots”, Technical

Report UM-MEAM-94-22, University of Michigan, 1994

[11] Greg Welch and Gary Bishop, "An Introduction

to the Kalman Filter", Department of Computer

Science, University of North Carolina at Chapel Hill, Chapel Hill, NC 27599-3175, 2006

[12] Manh Duong PHUNG, Thuan Hoang TRAN, Thanh Van NGUYEN, Anh Viet DANG, and

Quang Vinh TRAN, "A Novel Platform for Internet-based Mobile Robot System", 7th IEEE Conference on Industrial Electronics & Applications ICIEA 2012, Singapore

Abstract

The report presents the design of a multi-sensor mobile robot and the robot’s localization based on the sensor fusion method with Extended Kalman Filter (EKF) Modern sensors such as optical encoders, heading sensor, laser range finder, omni-directional camera, ultrasonic sensor, GPS sensor used concurrently so that an efficient data communication system has been designed and installed in robot Based on this system, the sensor fusion – based controlling program with Extended Kalman Filter was developed which permits to estimate accurately the robot’s position and orientation in condition of environment’s noise