Vídeo: localización robusta sin GPS para robot volador en interiores

El vídeo muestra lo siguiente (tras él doy más datos técnicos): (1) estimación de posición del robot estando controlado remotamente por un humano, y la reconstrucción de la nube de puntos desde las posiciones estimadas (al no notarse inconsistencias se «demuestra visualmente» la calidad de la estimación); (2) idem para vuelo autónomo en un parking; (3) durante seguimiento de trayectoria en un parking (los movimientos y giros bruscos representan un reto para la localización); (4) vuelo esquivando obstáculos (columnas).

El artículo técnico es «State Estimation for Aggressive Flight in GPS-Denied Environments Using Onboard Sensing» (PDF), escrito por los investigadores del MIT Adam Bry, Abraham Bachrach y Nicholas Roy, y fue presentado ayer en el ICRA 2012 (St. Paul, Minnesota) y está nominado a mejor paper del congreso.

Hay que destacar que al contrario de otros métodos, en este todo el proceso se realiza únicamente usando el procesador de a bordo (un Intel Atom 1.6GHz). Los sensores principales son un IMU y un laser scanner (un ligero Hokuyo UTM-30LX).

Es un método de sólo localización (no de SLAM, ya que se asume que el mapa está construido). Para fusionar los datos del IMU y del laser scanner se utiliza un estimador Bayesiano recursivo «híbrido»: un EKF para propagar el estado usando la información del IMU, y un filtro de partículas Gaussiano (GPF). Para predecir las observaciones del láser se simulan los scans usando un mapa del tipo OctoMap (basado en una estructura en árbol Octree).

Esta mezcla permite un método lo suficientemente rápido como para estimar el camino del robot volador en tiempo real usando sensores relativamente baratos y robustos. Tengo que resaltar que no se emplea la visión para nada, ya que el objetivo de los autores era conseguir un método que no demandase demasiada capacidad de cómputo y lo más robusto posible (¡y sabemos lo que pasa con la visión, no se puede comparar a un scanner láser!). El mérito es conseguir obtener información robusta en 6D a partir de un escáner que solamente da información en un plano. Obviamente, ahí es donde entra el modelo de transición del IMU.

Fuente: 1

Adam Bry, Abraham Bachrach, & Nicholas Roy (2012). State Estimation for Aggressive Flight in GPS-Denied Environments Using Onboard Sensing International Conference on Robotics and Automation (ICRA)