ROBOTS DE EXTERIORES - Centro de Automática y Robótica
ROBOTS DE EXTERIORES - Centro de Automática y Robótica
ROBOTS DE EXTERIORES - Centro de Automática y Robótica
Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
Localización <strong>de</strong> Robots y AGVs Mediante Tecnología RFID 73<br />
Los métodos bayesianos actualizan la distribución <strong>de</strong> probabilidad<br />
p x ) con la llegada <strong>de</strong> nuevas medidas <strong>de</strong> forma recursiva en dos pasos:<br />
( t<br />
1. El mo<strong>de</strong>lo <strong>de</strong> movimiento consi<strong>de</strong>ra la información existente<br />
sobre el <strong>de</strong>splazamiento <strong>de</strong>l móvil para pre<strong>de</strong>cir el lugar dón<strong>de</strong><br />
estará en el siguiente instante <strong>de</strong> tiempo. Si el robot dispone <strong>de</strong><br />
medidas <strong>de</strong> odometría u , esa información también es empleada:<br />
∫<br />
p (2)<br />
priori<br />
( xt<br />
) = p(<br />
xt<br />
| xt−<br />
1<br />
, ut−<br />
1)<br />
p(<br />
xt−<br />
1)<br />
dxt−<br />
1<br />
Este mo<strong>de</strong>lo pue<strong>de</strong> ser muy sencillo; por ejemplo, si únicamente<br />
conocemos la velocidad máxima v max<br />
<strong>de</strong> <strong>de</strong>splazamiento <strong>de</strong>l<br />
robot, po<strong>de</strong>mos suponer que p( x t<br />
| x t− 1)<br />
es uniforme en un círculo<br />
<strong>de</strong> radio v max<br />
dt y cero en el exterior. El mo<strong>de</strong>lo <strong>de</strong> movimiento<br />
también pue<strong>de</strong> incorporar otros datos disponibles sobre<br />
el entorno <strong>de</strong> movimiento: existencia <strong>de</strong> pare<strong>de</strong>s, zonas inaccesibles<br />
por el robot, etc..<br />
2. Tras aplicar el mo<strong>de</strong>lo <strong>de</strong> movimiento obtenemos una estimación<br />
a priori <strong>de</strong> la posición <strong>de</strong>l móvil; el mo<strong>de</strong>lo sensorial emplea<br />
el teorema <strong>de</strong> Bayes para corregir dicha estimación con la<br />
información aportada por las nuevas medidas recibidas:<br />
posteriori<br />
priori<br />
p x ) = p(<br />
z | x ) p ( x ) , (3)<br />
(<br />
t<br />
t t<br />
t<br />
posteriori<br />
don<strong>de</strong> p ( xt<br />
) = p(<br />
xt<br />
| zt<br />
) sería la probabilidad condicional<br />
una vez recibidas las medidas z. La distribución <strong>de</strong> probabilidad<br />
empleada en el mo<strong>de</strong>lo sensorial, p( z t<br />
| xt<br />
) , pue<strong>de</strong> ser<br />
calculada a partir <strong>de</strong> las características conocidas <strong>de</strong> los sensores<br />
o, más comúnmente, <strong>de</strong>terminada experimentalmente.<br />
Ambas etapas se realizan <strong>de</strong> forma consecutiva, refinándose en cada caso<br />
la estimación <strong>de</strong> la <strong>de</strong>nsidad <strong>de</strong> probabilidad p( x t<br />
) .<br />
Existen numerosas implementaciones prácticas <strong>de</strong> los métodos bayesianos;<br />
en aplicaciones robóticas las más interesantes son aquellas que permiten<br />
funcionamiento en tiempo real y suponen un uso limitado <strong>de</strong> los recur-