Implementación de algoritmos filtro de Kalman y filtro de Partículas para localización y mapeo simultáneo aplicado a un robot móvil en ambientes interiores con variaciones de iluminación

Este proyecto evalúa los parámetros influyentes ante variaciones de iluminación en el funcionamiento de los algoritmos Filtro de Kalman y Filtro de partículas aplicados a SLAM (Mapeo y Localización Simultanea) llevando a cabo experimentos en entornos cerrados que permiten realizar pruebas con distintas intensidades de luz. Para esto se utiliza el robot móvil diferencial Turtlebot3 Burger acompañado del sensor Kinect V1, ya que posee un sensor de profundidad y una cámara RGB, esto permite llevar a cabo construcción de mapas 3D y evidenciar variaciones en los procesos de mapeo dependiendo de la iluminación, lo cual es un requerimiento de este trabajo. El filtro de partículas (PF) es uno de los algoritmos de estimación más adaptados para SLAM, al igual que el filtro de Kalman que interactúa con estados pasados, presentes y estimaciones futuras del sistema, siendo empleado para seguir sistemas estocásticos dinámicos mediante sensores ruidosos. Los algoritmos emplean un método de predicción y corrección, es decir, pronostica un nuevo estado a partir de su estimación previa agregando un factor de corrección de la misma proporción al error de predicción, de tal manera que este error se minimiza con cada iteración, lo cual lo hace adecuado para trabajar ante variaciones de iluminación ya que esta técnica demanda que se pueda reconstruir y localizar en el menor tiempo posible cualquier sistema autónomo bajo condiciones naturales. This project evaluates the parameters influencing light variations in the operation of the Kalman Filter and Particle Filter algorithms applied to SLAM (Simultaneous Mapping and Localization), carrying out experiments in closed environments that allow tests with different light intensities. For this, the Turtlebot3 Burger differential mobile robot is used accompanied by the Kinect V1 sensor, since it has a depth sensor and an RGB camera, this allows to carry out 3D map construction and show variations in the mapping processes depending on the lighting, which is a requirement of this job. The particle filter (PF) is one of the most adapted estimation algorithms for SLAM, as is the Kalman filter that interacts with past, present and future system estimates, being used to follow dynamic stochastic systems using noisy sensors. The algorithms use a prediction and correction method, that is, they forecast a new state from its previous estimate by adding a correction factor of the same proportion to the prediction error, in such a way that this error is minimized with each iteration, which which makes it suitable for working with lighting variations since this technique demands that any autonomous system can be rebuilt and located in the shortest possible time under natural conditions. Ingeniero Electronico http://unidadinvestigacion.usta.edu.co Pregrado