Comparação e benchmarking para SLAM em robôs móveis

dc.contributorPetry, Marcelo Roberto
dc.contributorUniversidade Federal de Santa Catarina
dc.creatorVanelli, Brunno
dc.date2019-06-16T21:17:38Z
dc.date2019-06-16T21:17:38Z
dc.date2019-06-11
dc.date.accessioned2023-09-02T11:49:53Z
dc.date.available2023-09-02T11:49:53Z
dc.identifierhttps://repositorio.ufsc.br/handle/123456789/196836
dc.identifier.urihttps://repositorioslatinoamericanos.uchile.cl/handle/2250/8595525
dc.descriptionTCC (graduação) - Universidade Federal de Santa Catarina. Campus Blumenau. Engenharia de Controle e Automação
dc.descriptionA robótica está presente na indústria há décadas, mas a adoção de robôs trabalhando em estreita colaboração com os seres humanos ainda é um desafio. Embora muito tenha sido desenvolvido no campo dos robôs assistivos, eles ainda são incipientes por causa de toda a tecnologia necessária para interagir com os usuários de maneira significativa. Este trabalho de conclusão de curso tem como objetivo discutir uma tarefa específica em robôs móveis chamada SLAM, ou Mapeamento e Localização Simultânea. Essa tarefa compreende a capacidade do robô para mapear ambientes desconhecidos sem informações prévias. Uma estrutura é proposta para analisar metodologicamente o resultado de diferentes algoritmos de SLAM. O estudo de caso será apresentado usando o Care-o-bot, o robô assistivo desenvolvido na Fraunhofer IPA. Dados de sensores de varrimento a laser e odometria são utilizados, e as reconstruções resultantes dos algoritmos mais populares disponíveis no framework ROS (Robot Operating System), como Gmapping, Hector, Karto e Cartographer, serão apresentados e comparadas. As métricas de erro quadrático médio e erro de deslocamento serão calculadas para cada algoritmo, bem como os cálculos propostos para distorção do mapa e uso da CPU e da memória. Os resultados mostram boas métricas para Gmapping e Cartographer, escolhas populares na comunidade ROS, com o Cartographer tendo os mapas mais precisos. Hector e Karto são opções alternativas para dispositivos com menor poder de computação, já que podem consumir muito menos CPU nas configurações padrão, além de fornecer boa localização.
dc.descriptionRobotics has been present in industry for decades now, but the adoption of robots working closely to humans is still challenging. Although much has been developed in the field of assistive robots, they are still incipient because of all the technology required to interact with users in a meaningful way. This paper aims at discussing a specific task in mobile robots, SLAM, or Simultaneous Localization and Mapping. It comprises the ability of the robot to map unknown environments while having no previous information. A framework is proposed to methodologically analyse the mapping results for different SLAM algorithms. The case study will be presented using Care-o-bot, the assistive robot developed at Fraunhofer IPA. Data from laser scanners and odometry is used, and the resulting reconstruction from the most popular algorithms available on ROS (Robot Operating System) will be presented and benchmarked, namely Gmapping, Hector, Karto and Cartographer. Comparisons on mean square error and displacement error will be calculated for each algorithm, as well as proposed calculations for map distortion and CPU and Memory usage. The results show good stats for Gmapping and Cartographer, some of the most popular choices in the ROS community, Cartographer having the most accurate maps. Hector and Karto seem alternative options for devices with lower computing power, as they can consume far lower CPU on default settings, as well as providing good localization.
dc.format72
dc.formatapplication/pdf
dc.languageen
dc.publisherBlumenau, SC
dc.rightsOpen Access
dc.subjectSLAM
dc.subjectGmapping
dc.subjectHector
dc.subjectKarto
dc.subjectCartographer
dc.titleComparison and benchmarking for SLAM in mobile robots
dc.titleComparação e benchmarking para SLAM em robôs móveis
dc.typeTCCgrad


Este ítem pertenece a la siguiente institución