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
Problématique Caractéristiques Fréquence d’échantillonnage Erreur par itération Erreur à long terme Délai Odométrie Plus rapide Faible Élevée Falcon Lente Stable
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: Le processus suit une loi normale Le modèle du système est linéaire On connaît la position de départ Markov: Description: On peut attribuer un comportement beaucoup plus large au système Forces et faiblesses de chacune Kalman plus précis, Markov plus robuste Le filtre perd son efficacité si on rencontre un échec à la localisation
Prise de décision Le filtre étendue de Kalman 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 Phase de Correction Début
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 31.35 1567 Trajectoire complète 70 92.87 4643
Caractérisation des encodeurs Erreur par itérations (ee) (mm) 4 allé retour 0.11 4 cercles 0.26 Trajectoire complète 0.15
Simulation
Simulation Test de collision
Conclusion Le filtre est robuste On obtient une erreur moyenne de 1 à 2 cm