ROBOTS DE EXTERIORES - Centro de Automática y Robótica

Localización de Robots y AGVs Mediante Tecnología RFID 73
Los métodos bayesianos actualizan la distribución de probabilidad
p x ) con la llegada de nuevas medidas de forma recursiva en dos pasos:
( t
1. El modelo de movimiento considera la información existente
sobre el desplazamiento del móvil para predecir el lugar dónde
estará en el siguiente instante de tiempo. Si el robot dispone de
medidas de odometría u , esa información también es empleada:
∫
p (2)
priori
( xt
) = p(
xt
| xt−
1
, ut−
1)
p(
xt−
1)
dxt−
1
Este modelo puede ser muy sencillo; por ejemplo, si únicamente
conocemos la velocidad máxima v max
de desplazamiento del
robot, podemos suponer que p( x t
| x t− 1)
es uniforme en un círculo
de radio v max
dt y cero en el exterior. El modelo de movimiento
también puede incorporar otros datos disponibles sobre
el entorno de movimiento: existencia de paredes, zonas inaccesibles
por el robot, etc..
2. Tras aplicar el modelo de movimiento obtenemos una estimación
a priori de la posición del móvil; el modelo sensorial emplea
el teorema de Bayes para corregir dicha estimación con la
información aportada por las nuevas medidas recibidas:
posteriori
priori
p x ) = p(
z | x ) p ( x ) , (3)
(
t
t t
t
posteriori
donde p ( xt
) = p(
xt
| zt
) sería la probabilidad condicional
una vez recibidas las medidas z. La distribución de probabilidad
empleada en el modelo sensorial, p( z t
| xt
) , puede ser
calculada a partir de las características conocidas de los sensores
o, más comúnmente, determinada experimentalmente.
Ambas etapas se realizan de forma consecutiva, refinándose en cada caso
la estimación de la densidad de probabilidad p( x t
) .
Existen numerosas implementaciones prácticas de los métodos bayesianos;
en aplicaciones robóticas las más interesantes son aquellas que permiten
funcionamiento en tiempo real y suponen un uso limitado de los recur-