Covarianza dinámica en un sistema odométrico real para la mejora de la localización con sensores a bordo

Use this link to cite
http://hdl.handle.net/2183/31343
Except where otherwise noted, this item's license is described as Atribución-NoComercial-CompartirIgual 4.0 Internacional (CC BY-NC-SA 4.0)
https://creativecommons.org/licenses/by-nc-sa/4.0/deed.es
Collections
Metadata
Show full item recordTitle
Covarianza dinámica en un sistema odométrico real para la mejora de la localización con sensores a bordoAlternative Title(s)
Dinamic covariance in an actual odometric system with on board sensorsDate
2022Citation
Toledo, J., Fariña, B., Acosta, L. (2022) Covarianza dinámica en un sistema odométrico real para la mejora de la localización con sensores a bordo. XLIII Jornadas de Automática: libro de actas, pp. 835-842. https://doi.org/10.17979/spudc.9788497498418.0835
Abstract
[Resumen] En este artículo se presenta una estrategia de fusión sensorial para mejorar el sistema de localización de una silla de ruedas inteligente. Para conseguir una buena localización, la fusión de la información proporcionada por varios sensores es necesaria, en este caso telémetro laser, unidad de medida inercial y sistema odométrico. Los datos de cada sensor deben estar caracterizados por su covarianza. La estrategia clásica consiste en la asignación de una covarianza estática para el sensor odométrico, sin embargo con una covarianza dinámica, que realmente caracterice al sensor en tiempo real, se puede mejorar el resultado final. En este artículo se compara el resultado de la covarianza estática, frente a una calculada dinámicamente utilizando otro sensor externo. También se compara un modelo de fusión sensorial basado en velocidad constante, frente a otro modelo donde se especifica la odometría como sistema de evolución interno en el filtro de Kalman [Abstract] In this paper a sensor fusion strategy is presented in order to improve the localization system of an intelligent wheelchair. The sensors used in the sensorial fusion are a Lidar, an odometric system and a IMU. Each sensor data is characterized by its covariance. The classic approach set a static covariance for the odometric system, however with a dynamic covariance wich characterize the sensor real time better results can be obtained. In this paper static covariance is compared to dynamic one using an external sensor. The Kalman model is also compared between a lineal continuos velocity model and a real odometric model.
Keywords
Robotica móvil
Localización
Filtro de Kalman
Odometría
Mobile robotics
Localization
Kalman filter
Odometry
Localización
Filtro de Kalman
Odometría
Mobile robotics
Localization
Kalman filter
Odometry
Editor version
Rights
Atribución-NoComercial-CompartirIgual 4.0 Internacional (CC BY-NC-SA 4.0)
https://creativecommons.org/licenses/by-nc-sa/4.0/deed.es
ISBN
978-84-9749-841-8