Robots footballeurs: Fusion de données But: obtenir une équipe de robots autonomes pour participer aux compétitions de RoboCup Prolongement du cours PGE Installations au laboratoire V 1 2 2t , 1 2 Lˆ t Problématique V 1 2 2t , 1 2 Lˆ t (n) t x1 (n) V cos( (n))t x (n) V sin( (n))t 2 Caractéristiques Fréquence d’échantillonnage Erreur par itération Erreur à long terme Délai Odométrie Plus rapide Faible Élevée Faible Falcon Lente Élevée Stable Élevée Recherche de solutions le filtre de Kalman la théorie de Dempster-Shafer (DST) les chaînes de Markov la logique floue Comparaison des deux méthodes Kalman: Hypothèses: o o o Le processus suit une loi normale Le modèle du système est linéaire On connaît la position de départ Markov: Description: o On peut attribuer un comportement beaucoup plus large au système Forces et faiblesses de chacune o Kalman plus précis, o Markov plus robuste o Le filtre perd son efficacité si on rencontre un échec à la localisation Prise de décision Justification: On connais la position initiale Étant donné le système de vision globale, on ne devrait pas rencontrer d’échec à la localisation Solution pour système non linéaire Solution retenue: Le filtre étendue de Kalman Phase de prédiction Début Phase de Correction Caractérisation des capteurs Pour connaître le comportement du robot Utile pour la simulation Pour optimiser la performance du filtre Caractérisation des encodeurs Erreur de Lecture (cm) Vitesse Moyenne (m/s) Temps (s) Nb d’itérations 4 allé-retour 16 1 28.4 1420 4 cercles 40 1 31.35 1567 Trajectoire complète 70 1 92.87 4643 Caractérisation des encodeurs erreur f (V , , t ) Erreur par itérations (ee) (mm) 4 allé retour 0.11 4 cercles 0.26 Trajectoire complète 0.15 Simulation Simulation trajectoire parcourue par le robot 0.03 vision odometry kalman 0.02 0.01 position en y(m) Test de collision 0 -0.01 -0.02 -0.03 -0.04 -0.05 -0.06 -5 0 5 10 15 position en x(m) 20 25 30 Conclusion Le filtre est robuste On obtient une erreur moyenne de 1 à 2 cm