Reactive probabilistic belief modeling for mobile robots [Elektronische Ressource] / von Jan Hoffmann

Hoffmann Jan

Sujets

• Informatik

Informations

• Publié par: humboldt-universitat_zu_berlin
• Publié le: 01 janvier 2007
• Nombre de lectures: 8
• Langue: English
• Poids de l'ouvrage: 14 Mo

Extrait

Reactive Probabilistic Belief Modeling for
Mobile Robots
DISSERTATION
zur Erlangung des akademischen Grades
doctor rerum naturalium
(Dr. rer. nat.)
im Fach Informatik
eingereicht an der
Mathematisch-Naturwissenschaftlichen Fakultät II
Humboldt-Universität zu Berlin
von
Herr Dipl.-Phys. Jan Hoffmann
geboren am 21.12.1973 in Saarbrücken
Präsident der Humboldt-Universität zu Berlin:
Prof. Dr. Dr. h.c. Christoph Markschies
Dekan der Mathematisch-Naturwissenschaftlichen Fakultät II:
Prof. Dr. Wolfgang Coy
Gutachter:
1. Prof. Dr. sc. Hans-Dieter Burkhard
2. Prof. Dr. Uwe Schwiegelshohn
3. Prof. Dr. Raul Rojas
eingereicht am: 1. Juni 2007
Tag der mündlichen Prüfung: 17. Dezember 2007Abstract
Despitethedramaticadvancementsinthefieldofrobotics,robotsstilltendtoexhibit
erratic behavior when facing unexpected situations, causing them, for example, to
run into walls. This is mainly the result of the robot’s internal world model no longer
being an accurate description of the environment and the robot’s localization within
the environment. The key challenge explored in this dissertation is the creation
of an internal world model for mobile robots that is more robust and accurate in
situations where existing approaches exhibit a tendency to fail.
First, means to avoid a major source of localization error – collisions – are
investigated. Efficientcollisionavoidanceisachievedbycreatingatwo-layeredmodel
of free space in the direct vicinity of the robot. The model is based on camera images
and serves as a short term memory, enabling the robot to avoid obstacles that are
outofsight. Itallowstherobottoefficientlycircumnavigateobstacles. Furthermore,
the model provides information about visual occlusions in the camera image and is
thus an important building block of negative information (see below).
The motion model of the robot is enhanced by integrating proprioceptive in-
formation. Since the robot lacks sensors dedicated to proprioception, information
about the current state and configuration of the robot’s body is generated by com-
paring control commands and actual motion of individual joints. This enables the
robot to detect collisions with other robots or obstacles and is used as additional in-
formation for modeling locomotion. It allows the robot to reliably move about based
solely on dead reckoning as long as it does not detect collisions. If a collision occurs,
the belief quickly changes to reflect the uncertainty introduced by this disturbance.
In the context of sensing, the notion of negative information is introduced. Nega-
tiveinformationmarkstheascertainedabsenceofanexpectedobservationinfeature-
based localization. This information is not used in previous work on localization
because of the several reasons for a sensor to miss a feature, even if the object lies
within its sensing range: occlusion of the feature by other objects in the environ-
ment, sensor imperfections, erroneous image processing, etc. This information can,
however, be put to good use by carefully modeling the sensor. Integrating negative
information allows the robot to localize in situations where it cannot do so based on
landmark observation alone.
Keywords:
Markov Localization, Probabilistic Robotics, Negative Evidence Modeling,
ProprioceptionZusammenfassung
Trotz der Entwicklungen der letzten Jahre kommt es in der Robotik immer noch
vor, dass mobile Roboter scheinbar sinnlose Handlungen ausführen und z.B. gegen
Wände fahren. Der Grund für dieses Verhalten ist oftmals, dass sich das interne
Weltbild des Roboters stark von der tatsächlichen Situation, in der sich der Robo-
ter befindet, unterscheidet. Die darauf basierende Robotersteuerung wählt infolge
dieser Diskrepanz scheinbar sinnlose Handlungen aus. Die vorliegende Dissertation
geht die Problematik an und zeigt Wege auf, die Weltmodellierung robuster und
aussagekräftiger zu machen.
Eine wichtige Ursache von Lokalisierungsfehlern stellen Kollisionen des Roboters
mit anderen Robotern oder seiner Umwelt dar. Mit Hilfe eines radialen, zweistufigen
Hindernismodells wird der Roboter in die Lage versetzt, Hindernisse zu erkennen,
sich ihre Position zu merken (auch wenn er gerade nicht in deren Richtung schaut)
und Kollisionen zu vermeiden.
Ferner wird in dieser Arbeit eine Erweiterung der Bewegungsmodellierung be-
schrieben, die die Bewegung in Mobilitätszustände untergliedert, die jeweils ein ei-
genes Bewegungsmodell besitzen und die mit Hilfe von Propriozeption unterschie-
den werden können. Bei der Propriozeption handelt es sich um eine Sinneswahr-
nehmung, die Informationen über den eigenen Körper eines Lebewesens beinhaltet
(z.B. momentane Gelenkstellung und dazugehörige Muskelspannung). Mit Hilfe der
Servo-Motoren des Roboters lässt sich eine Art Propriozeption erzielen: der momen-
tan gewünschte, angesteuerte Gelenkwinkel wird mit dem tatsächlich erreichten,
im Servo-Motor gemessenen Winkel verglichen. Dieser „Sinn” erlaubt eine bessere
Beschreibung der Roboterbewegung und der mit ihr verbundenen Bewegungsun-
sicherheit.
Zur Verbesserung des Sensormodells wird das bisher wenig untersuchte Konzept
der Negativinformation, d.h. das Ausbleiben einer erwarteten Messung, genutzt. Be-
stehende Lokalisierungsansätze nutzen diese Information nicht, da es – neben einer
fehlerhaftenLokalisierung–nochweitereGründefüreinAusbleibeneinererwarteten
Messung gibt: Verdeckungen des Objekts, fehlerhafte oder verrauschte Messungen
oder fehlerhafte Nachverarbeitung der Sensordaten. Eine genaue Modellierung des
Sensors ermöglicht es jedoch, Negativinformation nutzbar zu machen. Eine Weltmo-
dellierung, die Negativinformation verarbeiten kann, ermöglicht eine Lokalisierung
des Roboters in Situationen, in denen einzig auf Landmarken basierende Ansätze
scheitern.
Schlagwörter:
Markov Lokalisierung, Probabilistische Robotik, Negativinformation,
PropriozeptionContents
1 Introduction 1
1.1 Robot Perception and Uncertain
Knowledge . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2 Thesis Statement . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.3 Contributions . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.4 Outline . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
2 RoboCup 9
2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
2.2 Sony Four-Legged League . . . . . . . . . . . . . . . . . . . . . 10
2.2.1 The Aibo Robot . . . . . . . . . . . . . . . . . . . . . . 10
2.2.2 Rules of the Game . . . . . . . . . . . . . . . . . . . . . 11
2.3 GermanTeam . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
2.4 Championship Results . . . . . . . . . . . . . . . . . . . . . . . 16
2.4.1 RoboCup German Open . . . . . . . . . . . . . . . . . . 16
2.4.2 RoboCup World Championships . . . . . . . . . . . . . . 17
3 Probabilistic Modeling 19
3.1 Uncertainty in Robotics . . . . . . . . . . . . . . . . . . . . . . 19
3.2 Laws of Probability . . . . . . . . . . . . . . . . . . . . . . . . . 21
3.2.1 Normal Distribution . . . . . . . . . . . . . . . . . . . . 23
3.3 Situated Agent . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
3.3.1 State . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
3.3.2 Robot-Environment-Interaction . . . . . . . . . . . . . . 26
3.3.3 Belief . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
3.4 Bayes Filter . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
3.4.1 Localization . . . . . . . . . . . . . . . . . . . . . . . . . 29
3.4.2 Variants and Implementations . . . . . . . . . . . . . . . 30
3.5 Monte Carlo Localization . . . . . . . . . . . . . . . . . . . . . . 31
3.6 GermanTeam MCL . . . . . . . . . . . . . . . . . . . . . . . . . 35
3.6.1 Vision . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
3.6.2 Monte Carlo Particle Filter . . . . . . . . . . . . . . . . 36
v3.6.3 Practical Considerations . . . . . . . . . . . . . . . . . . 38
3.7 Characterization of Particle Distributions . . . . . . . . . . . . . 39
3.7.1 Localization Error and Ground Truth . . . . . . . . . . . 39
3.7.2 Statistical Moments . . . . . . . . . . . . . . . . . . . . . 39
3.7.3 Entropy . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
3.7.4 Uncertainty with Respect to a Task . . . . . . . . . . . . 42
3.8 Summary . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
4 Obstacle Modeling & Collision Avoidance 45
4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
4.1.1 Sensors . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
4.1.2 Modeling and Control . . . . . . . . . . . . . . . . . . . 51
4.1.3 Related Work . . . . . . . . . . . . . . . . . . . . . . . . 54
4.1.4 Preliminary Experiments . . . . . . . . . . . . . . . . . . 57
4.2 Obstacle Model . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
4.2.1 Obstacle Detection . . . . . . . . . . . . . . . . . . . . . 59
4.2.2 Obstacle Model . . . . . . . . . . . . . . . . . . . . . . . 61
4.2.3 Model Update . . . . . . . . . . . . . . . . . . . . . . . . 63
4.2.4 Accessing the Model . . . . . . . . . . . . . . . . . . . . 67
4.3 Obstacle Avoidance Behavior . . .