Hiệu quảEKF cònđư ợc thể hiện trong việc điều khiển chính xác góc quay của robot như chỉ ra trên kết quả hình 5.4. Ở đây khi không sử dụng bộ lọc Kalman, quỹ đạo robot (các đường màu đỏ) được điều khiển không đúng với đường đi mong muốn là đường hình vuông hay tam giác. Lý do là vì giá trị góc hướng của robot nhận được chỉbằng phương pháp odometry là không đủchính xác. Tình hìnhđược cải thiện rõ rệt với các quỹ đạo là các đường màu xanh, khi các giá trị ước lượng góc nhận được qua EKF và được sửdụng ngay cho khâu điều khiển robot chuyển động.
Áp dụng phương pháp tổng hợp dữliệu cảm biến bằng bộlọc Kalman mởrộng nên phép đo góc đượcước lượng chính xác hơn, chính giá trị này là đại lượng đểtham chiếu điều khiển góc quay robot chính xác hơn.
a) b)
Hình 5.4. Hiệu quả EKF trong hai trường hợp điều khiển robot đi theo đúng dạng đường mong muốn khi có và không có EKF.
Hình 5.5 là các số liệu thu được qua khảo sát thực nghiệm trong các trường hợp không và có sử dụng bộ lọc Kalman để định vị robot di động. Các đường cong dịch chuyển cho thấy hiệu quả rõ rệt của việc sử dụng bộ lọc Kalman cho việc nâng cao ước lượng định vị cho robot di động.
Đường màu xanh nhạt là đường đi thực (true–real).
Đường màu xanh đậm là quỹ đạo ước lường bằng phương pháp tổng hợp trên một cảm biến lập mã quang với bộlọc Kalman (Odometry).
Đường màu đỏlà quỹ đạo ước lượng bằng phương pháp tổng hợp trên hai cảm biến qua bộ lọc Kalman (cảm biến lập mã quang và cảm biến chỉ hướng từ-địa bàn – Compass & Odometry).
Kết quả cho thấy trường hợp tổng hợp 2 cảm biến bằng bộ lọc Kalman cho độ chính xác định vịtốt hơn (RMSE = 0,190m theo phương X và RMSE = 0,224 m theo phương Y) so với trường hợp 1 một cảm biến (RMSE = 0.554 m theo phương X và RMSE = 0,951m theo phương Y).
Hình 5.5. Quỹ đạo ước tính của robot với các cấu hình EKF khác nhau.
Ta thấy rằng trong khoảng thời gian ngắn sau khi xuất phát, tọa độ ước lượng trên robot hầu như trùng với tọa độ thực của robot trên quỹ đạo. Nhưng chỉ sau một khoảng thời gian tương ứng với quãngđược di chuyển được cỡ1 m; do sai sốtích lũy, đường ước lượng bằng phép đo odometry bị “trôi” đi và ngày càng xa đường đi thực của robot. Trong khi đó đường ước lượng sử dụng bộ lọc Kalman với cảm biến chỉ hướng vẫn bám sát đường đi thực.
KẾT LUẬN
Qua quá trình nghiên cứu và thực hiện đề tài đã đạt được các kết quả ban đầu nhưsau:
- Đã nghiên cứu tổng quan các kiến thức liên quan đến robot di động và tìm hiểu về một số loại cảm biến thường dùng cho robot di động cũng như một số phương pháp định vị cho robot di động
- Đã phát triển thành công một chương trình tổng hợp dữ liệu tại các thời điểm khác nhau bằng bộlọc Kalman mởrộng EKF với 1 cảm biến là bộlập mã quang. Kết quảcho thấy sựcải thiện chất lượng quỹ đạo ược lượng khi sửdụng phương pháp tổng hợp cảm biến với bộlọc Kalman mởrộng.
- Chương trình cũng đư ợc mởrộng cho việc tổng hợp dữliệu bằng bộlọc Kalman với 2 cảm biến: lập mã quang và cảm biến chỉ hướng. Kết quảcũng cho thấy, trong trường hợp dung 2 cảm biến, chất lượng ước lượng được cải thiện hơncảvềcác thông sốtọa độ (x,y) và góc hướng (θ) của robot trên quỹ đạo chuyển động
Các kết quả của Luận văn cho phép mở ra những nghiên cứu tiếp theo nhằm nâng cao hơn nữa độ chính xác của phép ước lượng định vị robot di động với trường hợp đa cảm biến khác (như cảm biến đoxa laser, cảm biếnảnh…).
DANH MỤC TÀI LIỆU THAM KHẢO
[1] Andre M. Santana, Anderson A. S. Sousa, Ricardo S. Britto, Pablo J. Alsina,
Adelardo A. D. Medeiros, Localization of a mobile robot based in odometry and natural landmarks usinh extended Kalman filter, Federal University of Rio
Grande do Norte, Natal-RN, Brazil.
[2] C. Tarín, H. Brugger, R. Moscardó, B. Tibken and E. P. Hofer (1999), “Low level sensor fusion for autonomous mobile robot navigation”, In Proceedings of the
16th IEEE Instrumentation and Measurement Technology Confernce (IMTC’99),
3, pp. 1377-1382.
[3] Greg Welch and Gary Bishop (2006), An Introduction to the Kalman Filter,
Department of Computer Science University of North Carolina, UNC-Chapel Hill, TR 95-041, pp. 16.
[4] J. Borenstain, H.R. Everette, and L. Feng (1994), Where I am? Sensor and Methods for Mobile Robot Positioning, University of Michigan.
[5] J. Borenstein and L. Feng (1994), A Method for Measuring, Comparing, and Correcting Dead-reckoning Errors in Mobile Robots, University of Michigan as:
Technical Report UM-MEAM-94-22.
[6] Luka Teslić, Igor Škrjanc, Gregor Klančar (2010), EKF-Based Localization of a
Wheeled Mobile Robot in Structured Environments.
[7] Robin R. Murphy (200), Introduction to AI Robotics, Massachusetts Institute of
Technology.
[8] R. E. Kalman (1960), A new approach to linear fitltering and prediction problems, Transaction of the ASME, Journal of Basic Engineering, 82(D), pp.
35-45.
[9] Wenzel (2000), L. Kalman Filter, Ein mathematische Modell zur Auswertung
von Messdaten fur die Regelungstechnik. Elektronik, (6&8&11), pp. 64-75 & 50- 55 & 52-58.
[10] Wilfried Elmenreich (2002), An Introduction to Sensor Fusion, Vienna
[11] htpp://www.inforfusion.org/mission.htm.
[12] http://www.grappendorf.net/arduino/libraries/cmps03-compass-module. [13] htpp://www.robot-electronics.co.uk/htm/srf05tech.htm.
[14] http://www.sick.com/group/EN/home/products/product_portfolio/