Localizar con la cámara
La semana pasada vimos que la odometría acumula error aunque el robot esté bien calibrado. Esta semana le damos al robot una referencia externa: la cámara del celular montada sobre el EV3.
- ¿Por qué localizar?: incertidumbre de sensores y efectores, aliasing, ciclo predicción–corrección
- Mapas y landmarks: representaciones continua, de grilla y topológica; creencia de hipótesis única y múltiple; marcadores ArUco como landmarks
- Cerrar el lazo con la cámara: la cámara como sensor, una fila de la imagen, control proporcional para seguir una línea e ir a un punto
Incertidumbre de sensores y efectores
Sección titulada «Incertidumbre de sensores y efectores»Los robots reales no tienen sensores ni actuadores perfectos:
- Ruido del efector: una misma orden produce movimientos distintos, por ejemplo por el patinaje o porque la batería baja. Es el error de la odometría, y crece con la distancia.
- Ruido del sensor: la lectura cambia aunque nada se mueva, por ejemplo la cámara con poca luz o desenfocada.
- Aliasing: lugares distintos producen la misma lectura, como dos esquinas o dos puertas iguales. Una sola lectura no basta: hay que moverse y volver a mirar.
Calibrar corrige el error sistemático; el error aleatorio solo se acota con una referencia externa. Por eso el robot alterna dos pasos: predice con los encoders, y la incertidumbre crece, y corrige con lo que ve, y la incertidumbre baja.
Representación de mapas
Sección titulada «Representación de mapas»| Tipo | Qué guarda | Ventaja | Desventaja |
|---|---|---|---|
| Continua | paredes como segmentos, obstáculos como polígonos | precisa y compacta | difícil de comparar con el sensor |
| Grilla de ocupación | celdas libres u ocupadas | simple, ideal con sensores de rango | ocupa mucha memoria |
| Topológica | lugares y sus conexiones | se ajusta a lo que el robot reconoce | pierde la geometría |
La creencia del robot sobre su posición también se representa de varias formas:
- Hipótesis única: un solo punto, como la odometría. Es fácil para decidir, pero el robot no sabe cuánto se equivoca.
- Múltiples hipótesis: una gaussiana o un conjunto de partículas. Guarda la incertidumbre, pero cuesta más calcularla.
Un piso con marcadores ArUco es a la vez un mapa métrico, porque cada marcador tiene coordenadas, y uno topológico, porque cada marcador tiene un ID único.
La localización probabilística (Markov, filtro de Kalman y SLAM) se formaliza en la semana 15.
Prácticas
Sección titulada «Prácticas»Sin robot o sin celular, todas se pueden hacer en el simulador Webots.