Robots footballeurs: Fusion de données

Présentation au sujet: "Robots footballeurs: Fusion de données"— Transcription de la présentation:

1 Robots footballeurs: Fusion de données
But: obtenir une équipe de robots autonomes pour participer aux compétitions de RoboCup Prolongement du cours PGE

2 Installations au laboratoire

3 Problématique Caractéristiques Fréquence d’échantillonnage Erreur par
itération Erreur à long terme Délai Odométrie Plus rapide Faible Élevée Falcon Lente Stable

4 Recherche de solutions
le filtre de Kalman la théorie de Dempster-Shafer (DST) les chaînes de Markov la logique floue

5 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

6 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

7 Phase de prédiction Phase de Correction Début

8 Caractérisation des capteurs
Pour connaître le comportement du robot Utile pour la simulation Pour optimiser la performance du filtre

9 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

10 Caractérisation des encodeurs
Erreur par itérations (ee) (mm) 4 allé retour 0.11 4 cercles 0.26 Trajectoire complète 0.15

11 Simulation

12 Simulation Test de collision

13 Conclusion Le filtre est robuste
On obtient une erreur moyenne de 1 à 2 cm