Emparelhamento-Filtragem na Localização de Robots Móveis
|
|
- Geraldo Ferreira
- 5 Há anos
- Visualizações:
Transcrição
1 O ciclo Predição-Emparelhamento Emparelhamento-Filtragem na Localização de Robots Móveis Maria Isabel Ribeiro Instituto Superior Técnico Instituto de Sistemas e Robótica mir@isr.ist.utl.pt Outubro de 1999 All rights reserved
2 Sumário Localização Absoluta com base no Ciclo prediçãoemparelhamento filtragem Predição Emparelhamento Filtragem Resultados Experimentais com sonar com laser Conclusões
3 Referências! Artur Arsénio, M. Isabel Ribeiro. Active Range Sensing for Mobile Robot Localization. In Proceedings da IEEE/RSJ International Conference on Intelligent Robotic Systems, (IROS 98), pp , Victoria, Canadá, Outubro de 1998.! Artur Arsénio, M. Isabel Ribeiro. Absolute Localization of Mobile Robots using Natural Landmarks. In Proceedings da IEEE International Conference on Electronics, Circuits and Systems, (ICECS 98), pp , Lisboa, Portugal, Setembro de 1998.! Frédéric Chenavier, James L. Crowley. Position Estimation for a Mobile Robot Using Vision and Odometry. In Proceedings of the 1992 IEEE International Conference on Robotics and Automation, pp , Nice, França, Maio de 1992.! James L. Crowley. World Modeling and Position Estimation for a Mobile Robot using Ultrasonic Ranging. In Proceedings of the IEEE International Conference on Robotics and Automation, pp , Arizona, EUA, Maio de 1989.! John J. Leonard, Hugh F. Durrant-Whyte. Mobile Robot Localization by Tracking Geometric Beacons. In IEEE Transactions on Robotics and Automation, pp , Vol.7, No.3, Junho de 1991.! John J. Leonard, Hugh F. Durrant-Whyte. Directed Sonar Sensing for Mobile Robot Navigation. Kluwer Academic Publishers, Boston, 1992.! Martin David Adams, Sensor Modeling, Design and Data Processing for Autonomous Navigation, World Scientific, 1999 (Chapter 8)
4 Localização relativa + localização absoluta Observações Processo cíclico composto por três fases EMPARELHAMENTO ACTUALIZAÇÃO PREDIÇÃO Mapa do mundo
5 Filtro de Kalman Estendido (EKF) Dinâmica do Sistema X(k + 1) = Z(k) = f(x(k),u(k)) + v(k) h(x(k)) + w(k) v(k) ~ N(0,Q(k)) w(k) ~ N(0,R(k)) EKF - Predição Xˆ (k + 1/ k) = f(xˆ (k / k),u(k)) df df Σ (k + 1/ k) = ΣX(k / k) dx dx EKF - Filtragem T X + Q(k) Xˆ (k + 1/ k + 1) = Xˆ (k + 1/ k) + K(k + 1)(Z(k + 1) h(xˆ (k + 1/ k)) T dh 1 K(k + 1) = ΣX(k + 1/ k) S (k + 1) dx T dh dh S(k + 1) = ΣX(k + 1/ k) + R(k + 1) dx dx Σ (k + 1/ k + 1) = Σ (k + 1/ k) K(k + 1)S(k + 1)K(k + 1) X X T
6 Predição Estimativa prevista da localização das observações Ẑ(k S(k + + 1/k) 1) Xˆ (k / k) PREDIÇÃO FILTR A G E M Σ X (k / k) Odometria Xˆ (k + 1/ k) Σ X (k + 1/ k) Modelo das observações ẑ i (k + 1/k) Mapa do mundo
7 Predição da localização Dinâmica do robot Dados X (k + 1) = f(x(k),u(k)) + Xˆ (k / k), PREDIÇÃO do estado Xˆ (k + 1/k) = Σ (k + 1/k) Σ X df dx f(xˆ v(k) (k / k),û(k),q(k) (k /k),û(k)) T x = Σx + Fase de PREDIÇÃO do EKF. df (k /k) dx Q(k) Dinâmica linearizada em torno da última estimativa filtrada
8 Predição das observações Ẑ(k + 1/k) S(k + 1) Xˆ (k + 1/ k) Σ X (k + 1/k) Modelo das observações Mapa do mundo " Mapa do mundo " Modelo das observações " Modelo dos sensores
9 Modelo das observações z (k) h (X (k),p ) w (k) j = i s i + j j = 1,..., m caracterização do alvo localização do sensor observação associada ao sensor j ruído de observação w (k) ~ N(0,R (k)) j j Z (k) = [ z T 1 (k) z2(k)! zm(k) ] tipo e caracterização do sensor processamento dos dados características geométricas consideradas no mapa localização do robot localização do sensor no robot
10 Modelo do sensor Caracterização da percepção espacial Caracterização dos erros 24 sensores de ultrasom (Polaroid) Laser Range Scanner=LRF+PTU
11 Modelo do sensor-sonar percepção espacial = r distância = r r β(r) d r ~ N(d, 2 σ d ) β t (d) σ d = r (m) 6 Distância (metros) largura de feixe 2 β t Largura de feixe efectiva como função da distância Orientação (graus)
12 Modelo do sensor-laser scanner percepção espacial = (distância,ângulo) =( r, ϕ ) LRF - incerteza radial PTU - incerteza angular r ~ N(d, σ ϕ ~ N( θ, 2 d ) 2 σ θ ) θ d σd = 1,5cm, σθ = 0, 05 o
13 Mapa do mundo " Pontos Y W p " Segmentos de recta p r p p = p p = r p θ x y p y {W} Y W {W} p r p x p θ X X W W Y " Landmarks naturais W p y {W} um ponto dois segmentos de recta p r2 p θ 2 p r1 p θ1 p " p x p pθ p = pθ p p X r1 r2 x y W 1 2
14 Predição da Localização do sensor y W s W Y (k) y(k) {W} R Y y R s x(k) x W s x R s (k) θ R s θ R s θ(k) W X R X X s Xˆ (k + x (k) = y θ W s W s W s 1/k) X (k) X s (k) (k) cosθ(k) (k) = + X(k) sinθ(k) (k) 0 sinθ(k) cosθ(k) 0 0 x 0 y 1 θ R s R s R s Xˆ s (k + + 1/k) Mapa do mundo + Modelo do sensor predição das observações
15 Predição das Observações " Pontos Y W p p = p p x y ŷ s (k + p y 1/ k ) rˆ ϕˆ θˆ s (k + 1/ k ) {W} xˆ s (k + 1/ k ) p x X W ẑi (k + 1/ k) = h i(xˆ s(k + 1/ k),p p ) h i = rˆ ϕ ˆ = (p x xˆ s ) p arctg p 2 y x + (p ŷ xˆ s s y θˆ ŷ s s ) 2 Sonar 2 d σ R i(k) = 0 0 σθ 2
16 Predição das Observações " Segmentos de recta p r p = r p θ ŷ s (k + Y W 1/ k ) p r p θ rˆ ϕˆ θˆ s (k + 1/ k ) {W} xˆ s (k + 1/ k ) X W ẑ (k 1/k) h (Xˆ (k i + = i s + 1/k),p p ) h i = rˆ ϕ ˆ = p r xˆ s cos(pθ) ŷ p θˆ θ s s sin(p θ ) Sonar 2 σ r 0 Ri(k) = σr 0 σϕ, σϕ são função de 2 2 σd, σθ Ri (k) = σ 2 d
17 Emparelhamento dados dos sensores ou características extraídas Observações z j (k + 1) EMPARELHAMENTO Variáveis aleatórias definidas no mesmo espaço de medida ẑ i (k + 1/ k) (zm(k + 1), ẑ (k + 1/k) m Sim FILTR A G E M Xˆ (k / k) Σ X (k / k) Odometria PREDIÇÃO Xˆ (k + 1/ k) Σ X (k + 1/ k) Modelo das observações Mapa do mundo
18 Emparelhamento " O que é o emparelhamento " Quais são os pares z (k + 1), ẑ (k 1/ k) ) válidos? ( j i + " Porque é necessário? " Pares inválidos podem levar à divergência do EKF " Para ignorar observações ruidosas (outliers) " sonar -reflexões múltiplas " laser - reflexões especulares " Para ignorar predições erradas ou inexistentes
19 Laser - Reflexões Especulares
20 Sonar - Predições Inexistentes W Y rˆ p θ β t θˆ s (k + 1/ k ) ŷ s (k + 1 / k ) Teste de visibilidade {W} xˆ s (k + 1 / k ) p θ θˆ s (k + 1/ k) βt 2 ϕˆ
21 Sonar - Predições Erradas " Observações previstas erradas OBSERVAÇÃO z MEDIDA PREVISTA ẑ objecto não representado no mapa localização real localização prevista z ẑ z ẑ
22 " Como se concretiza? vij ( k + 1) = z j(k + 1) ẑ i(k + 1/ k) Emparelhamento inovações T dh dh S (k 1) E[ (k 1) (k 1) ] i (k 1/ k) i ij + = vij + vij + = ΣX + + R i(k + 1) dx dx T v ij (k T ) S (k + 1) v (k + 1) ij ij γ região de validade centrada em ẑ i (k + 1/ k) laser Teste de inclusão de z j (k + 1) na região de validade centrada em ẑ i (k + 1/ k) z = r ϕ ẑ z z espaço das observações z z ẑ sonar z = [] r
23 Emparelhamento e Filtragem " Resultado do emparelhamento V(k + 1) = Z(k + 1) Ẑ(k + 1/ k) z z = z S(k + 1) = E[ V(k + 1) V(k + 1) 1 2 n (k + 1) ẑ (k + 1) ẑ # (k + 1) ẑ T ] = 1 dh dx 2 n (k + 1/ k) (k + 1/ k) (k + 1/ k) Σ X dh (k + 1/ k) dx T pares válidos + R(k + 1) " Filtragem dh dx T dh = 1 $ dx T dh n dx T dhi dx h = i X X= Xˆ (k+ 1/ k) R(k + 1) = diag(r 1 (k + 1), R2(k + 1), $,Rn(k + 1)) Xˆ (k + 1/k + 1) = Xˆ (k + 1/k) + K(k + 1)[Z(k + 1) Ẑ(k + 1/k)] K(k + 1), ΣX (k + 1/ k + 1)
24 E se não houver emparelhamentos? Observações z j (k + 1) Não Pode ser um erro sistemático EMPARELHAMENTO Sim ẑ i (k + 1/ k) FILTR A G E M PREDIÇÃO Mapa do mundo
25 Translação Detector de Bias Localização prevista Localização real Previsão das observações a partir da localização prevista direcções segundo as quais não é possível fazer predição de acordo com o modelo do sensor
26 Translação Detector de Bias Localização prevista Localização real Previsão das observações a partir da localização prevista direcções segundo as quais não é possível fazer predição de acordo com o modelo do sensor
27 Translação Detector de Bias Localização prevista Localização real Previsão das observações a partir da localização prevista direcções segundo as quais não é possível fazer predição de acordo com o modelo do sensor
28 Translação Detector de Bias Localização prevista Previsão das observações a partir da localização prevista Localização real Observações reais como se vistas da localização prevista direcções segundo as quais não é possível fazer predição de acordo com o modelo do sensor
29 Detector de Bias Translação Orientação Orientação e Translação
30 Detecção e correcção de Bias Xˆ (k + 1/k) Ẑ (k + 1/k) Z (k + 1) NÃO Há nº suficiente de emparelhamentos? detecção e correcção de bias novo vector Xˆ (k + 1/k) novo vector Ẑ (k + 1/k) Z (k + 1)
31 Experiência 1 - sonar depois do 1º passo de filtragem Localização real x = 2100 mm y = 2050 mm θ = 20 o Localização inicial dada por um operador x = 2400 mm σx = 100mm y = 1800 mm σy = 100mm θ = 17 o σ = 15o θ Estimativa da localização xˆ = 2190mm σx = 27mm ŷ = 2030mm σy = 26mm ˆ o σ = 3o θ = 19.9 θ Xˆ (0 / 0) = Xˆ (1/ 0) Xˆ (0 / 0) Xˆ (1/1) Y X Ẑ (1/ 0) Z(1 ) Observações dos sonares transladadas para a localização prevista Emparelhamento válido Direcções segundo as quais não é possível fazer predição
32 Localização real x = 2100 mm y = 2050 mm θ = 20 o Experiência 1 - sonar depois do 3º passo de filtragem Localização inicial dada por um operador x = 2400 mm y = 1800 mm θ = 17 o Estimativa da localização xˆ = 2134mm σx = 14mm ŷ = 2063mm σy = 14mm θ ˆ = 17.9 o σ = 2.4o Xˆ (3 / 2) θ Ẑ (3 / 2) Z(3) Xˆ (3 / 3) praticamente não se vê Observações dos sonares transladadas para a localização prevista Y X Emparelhamento válido Direcções segundo as quais não é possível fazer predição
33 Experiência 1 - sonar depois do 7º passo de filtragem Localização real x = 2100 mm y = 2050 mm θ = 20 o Localização inicial dada por um operador x = 2400 mm y = 1800 mm θ = 17 o Estimativa da localização xˆ = 2123mm σx = 14mm ŷ = 2067mm σy = 10mm ˆ o σ = 2.2o θ = 18.3 Xˆ (7 / 6) θ Xˆ (7 / 7) praticamente não se vê Y X Ẑ (7 / 6) Z(7) Observações dos sonares transladadas para a localização prevista Emparelhamento válido Direcções segundo as quais não é possível fazer predição
34 Experiência 2 - sonar Bias de translacção Bias de orientação Bias de orientação e translacção
35 Escolha da landmark óptima - laser " A partir de Xˆ (k + 1/k) há m landmarks (segmento + ponto+segmento) visíveis " O processo de aquisição de dados é lento. " Qual delas escolher para prosseguir para o passo de filtragem?
36 Escolha da landmark óptima - laser Previsão de m landmarks visíveis Matriz covariância inovação Ganho do filtro Matriz covariância a posteriori ẑ (k + 1/k) S1(k + 1/k) K1(k + 1) Σ1 X (k + 1/k 1 + ẑ (k + 1/k) S2(k + 1/k) K2(k + 1) Σ2X (k + 1/k 2 + 1) 1) Xˆ (k + 1/k) ẑ (k + 1/k) ẑ # S (k + 1/k) K (k + 1) X (k + 1/k i i i Σi + (k + 1/k) S # (k + 1/k) K (k + 1) X (k + 1/k m m m Σm + 1) 1) Sem que sejam feitas observações Qual a landmark óptima?
37 Critério de escolha da landmark óptima min ( det Σi X (k + 1/k + 1) ) Produto dos valores próprios Volume Paralelipipedo que engloba o elipsóide de erro Computacionalmente pesado min ( tr Σi X (k + 1/k + 1) ) Soma dos valores próprios É o critério implementado pelo filtro de Kalman Não é computacionalmente pesado min ( λ max ( Σi X (k + 1/k + 1) ) Maior valor próprio Representa a maior incerteza Computacionalmente pesado
38 Critério de escolha da landmark óptima " Dimensões diferentes (m e rad) 1 m 1 m 0.84 m 1 rad=57.3º 1 rad=57.3º 1 m 1 m
39 Critério de escolha da landmark óptima " Resultado da trilateração E 0 + E1 d 0 + d 1 E 0 + E 0 E 1 E d d d 0 d 1 1
40 Critério de escolha da landmark óptima " Aproximação poligonal da área de erro + E 0 E 1 90º robot 90º + E 0 E 1 robot robot 2ε Situação de erro mínimo robot α 2δ variação da área 2δ 4 δε sinα 2ε
41 Experiência 1 - laser Localização real x = m y = m θ = 61º X Y 19.9m Estimativa inicial 7.7m xˆ = 2.866m, ŷ = 2.288m, θˆ = 61.5º, σ σ σ x y θ = 7.94cm = 7.03cm = 0.93º 16.9m 9.2m 7.8m 12.1m elipse aumentada 20 vezes
42 Experiência 1 - laser Localização real x = m y = m θ = 61º Estimativa inicial X Y xˆ = 2.866m, ŷ = 2.288m, θˆ = 61.5º, σ σ σ x y θ = 7.94cm = 7.03cm = 0.93º Estimativa final xˆ = 2.775m, ŷ = 2.290m, θˆ = 61.2º, σ σ σ x y θ = 1.4cm = 1.7cm = 0.14º elipse aumentada 20 vezes
43 Experiência 2 - laser elipse aumentada 20 vezes
44 Dois sensores - O mesmo ciclo A priori map Odometry k-1 --> k Estimated Robot Location k-1 Laser sensor Prediction Range Points Intensity Image Prediction Predicted Robot Location Canny Predicted Walls Prediction Matching and Integration Estimated Robot Location Vertical Edges Predicted Edges Matching and Integration Estimated Robot Location k
45 Ciclo de Localização From John J. Leonard, Hugh F. Durrant-Whyte. Directed Sonar Sensing for Mobile Robot Navigation. Kluwer Academic Publishers, Boston, 1992.
46 Ciclo de Localização e Contrução de Mapa From John J. Leonard, Hugh F. Durrant-Whyte. Directed Sonar Sensing for Mobile Robot Navigation. Kluwer Academic Publishers, Boston, 1992.
47 Outras técnicas de localização " localização só com medidas relativas " modelação e correcção dos erros sistemáticos na odometria " melhoramentos individuais na navegação inercial (filtragem) " uso conjunto de odometria e de navegação inercial (filtragem e escolha alternativa entre sensores - Girodometria) " histograma de ângulo " localização só com medidas absolutas " faróis activos " reconhecimento de marcas " marcas naturais ou artificiais " emparelhamento com o modelo " localização com base em representações particulares do mapa " componentes principais
48 Perspectivas para localização " Localização por objectivos " função do problema a resolver " como suporte directo à navegação " função dos sensores " Localização suportada em diversas representações do mundo " mapas geométricos " mapas topológicos " outro tipo de mapas " Construção/actualização de mapas e localização simultaneas
49 Conclusões O ciclo PREDIÇÃO-EMPARELHAMENTO-FILTRAGEM é uma metodologia geral aplicável à localização de robots móveis usando, isoladamente, diversos tipos de sensores integrando dados de sensores distintos à construção de mapas de ambientes à localização e à construção simultanea de mapas de ambientes
Implementação do Filtro de Kalman Estendido
UNIVERSIDADE FEDERAL DA GRANDE DOURADOS UFGD FACULDADE DE CIÊNCIAS EXATAS E TECNOLOGIA FACET DISCIPLINA: Tópicos em Robótica Móvel PROFESSORA: Drª Valguima Odakura ACADÊMICOS: Aline Izida e Diogo Fernando
Leia maisFUSÃO DOS DADOS DO DEAD RECKONING E DO GIROSCÓPIO USANDO O FILTRO DE KALMAN ESTENDIDO APLICADO À LOCALIZAÇÃO DE UMA CADEIRA DE RODAS MOTORIZADA
FUSÃO DOS DADOS DO DEAD RECKONING E DO GIROSCÓPIO USANDO O FILTRO DE KALMAN ESTENDIDO APLICADO À LOCALIZAÇÃO DE UMA CADEIRA DE RODAS MOTORIZADA PABLO F. SALAROLLI 1, VINÍCIUS DA R. MOTTA 1, MARCO A. DE
Leia mais15/05/2013. Localização I. Localização. Localização: classificação. Localização: classificação. Tipo de ambiente. Ambiente dinâmico - soluções
SCE5880 Algoritmos de Estimação para Robótica Móvel Localização Estimar a posição de um robô a partir de um mapa e de informações obtidas por sensores. Localização I Localização: classificação Tipo de
Leia maisT4.1 Processamento de Imagem
T4.1 Processamento de Imagem Proc. Sinal e Imagem Mestrado em Informática Médica Miguel Tavares Coimbra Resumo 1. Manipulação ponto a ponto 2. Filtros espaciais 3. Extracção de estruturas geométricas 4.
Leia maisCapítulo III Processamento de Imagem
Capítulo III Processamento de Imagem Proc. Sinal e Imagem Mestrado em Informática Médica Miguel Tavares Coimbra Resumo 1. Manipulação ponto a ponto 2. Filtros espaciais 3. Extracção de estruturas geométricas
Leia maisLOCALIZAÇÃO DE UM ROBÔ MÓVEL BASEADA EM ODOMETRIA E MARCOS NATURAIS UTILIZANDO ILTRO DE KALMAN ESTENDIDO André M. Santana, Adelardo A.D. Medeiros Departamento de Engenharia de Computação e Automação -
Leia maisXIII Simpósio Brasileiro de Automação Inteligente Porto Alegre RS, 1 o 4 de Outubro de 2017
FILTRO DE KALMAN ESTENDIDO BASEADO EM VISÃO COMPUTACIONAL E ODOMETRIA APLICADO À LOCALIZAÇÃO DE ROBÔS MÓVEIS Fabrício de Oliveira Coelho, João Pedro Carvalho de Souza, Milena Faria Pinto, Guilherme Marins
Leia maisSSC5887 SSC5887. Histórico. Grupo de Sistemas Embarcados Evolutivos e Robóticos - SEER. Grupo de Sistemas Embarcados Evolutivos e Robóticos - SEER
Grupo de Sistemas Embarcados Evolutivos e Robóticos - SEER Áreas de atuação: SSC5887 Introdução aos Sistemas Robóticos Denis Fernando Wolf 1º semestre 2010 Sistemas embarcados Computação reconfigurável
Leia maisDisciplina de Robôs Móveis Autônomos SSC-5888
USP - ICMC - SSC Pós-Grad. CCMC SSC 5888 (RMA) - 1o. Semestre 2009 Disciplina de Robôs Móveis Autônomos SSC-5888 Prof. Fernando Santos Osório Email: fosorio [at] { icmc. usp. br, gmail. com } Web: http://www.icmc.usp.br/~fosorio/
Leia maisp( y θ ) depende de um parâmetro desconhecido θ.
55Modelação, Identificação e Controlo Digital 55 Método de Máxima Verosimilhança (Maximum Likelihood) Seja y uma variável aleatória (v. a.) cuja densidade de probabilidade p( y θ ) depende de um parâmetro
Leia maisLOCALIZAÇÃO DE UM ROBÔ MÓVEL BASEADA EM ODOMETRIA E MARCOS NATURAIS UTILIZANDO FILTRO DE KALMAN EXTENDIDO
LOCALIZAÇÃO DE UM ROBÔ MÓVEL BASEADA EM ODOMETRIA E MARCOS NATURAIS UTILIZANDO ILTRO DE KALMAN EXTENDIDO André M. Santana, Adelardo A.D. Medeiros Departamento de Engenharia de Computação e Automação -
Leia maisProcessamento de Imagens Termais Aplicado à Navegação Autônoma. Wanessa da Silva
Processamento de Imagens Termais Aplicado à Navegação Autônoma Wanessa da Silva Outubro, 2016 Introdução Roteiro Métodos Imagens Utilizadas Resultados Considerações Finais 1. Introdução 2. Métodos 4. Imagens:
Leia maisRepresentações da Crença e Mapas Localização Probabilística baseada em Mapas Exemplos de outros Sistemas de Localização Bibliografia Recomendada
Aula 6 Introdução à Robótica Móvel Localização Prof. Dr. Marcelo Becker EESC - USP Sumário da Aula Introdução Representações da Crença e Mapas Localização Probabilística baseada em Mapas Exemplos de outros
Leia maisMP-208: Filtragem Ótima com Aplicações Aeroespaciais
MP-208: Filtragem Ótima com Aplicações Aeroespaciais Capítulo 7: Filtro de Kalman Estendido Discreto Davi Antônio dos Santos Departamento de Mecatrônica Instituto Tecnológico de Aeronáutica davists@ita.br
Leia maisT4 Processamento de Imagem
T4 Processamento de Imagem Proc. Sinal e Imagem Mestrado em Informática Médica Hélder Filipe Pinto de Oliveira Resumo 1. Manipulação ponto a ponto 2. Conetividade 3. Filtros espaciais 4. Extração de estruturas
Leia maisINTRODUÇÃO À ROBÓTICA MÓVEL
INTRODUÇÃO À ROBÓTICA MÓVEL Aula 12 Edson Prestes Departamento de Informática Teórica http://www.inf.ufrgs.br/~prestes prestes@inf.ufrgs.br É a estrutura interna que armazena as informações associadas
Leia maisSOLUÇÃO FASTSLAM COM ATUALIZAÇÃO DE MARCOS UTILIZANDO MULTILAYER PERCEPTRON Fábio Silveira Vidal, Paulo Fernando Ferreira Rosa, Adão de Melo Neto, Thiago Eustaquio Alves de Oliveira Instituto Militar de
Leia maisIMPLEMENTAÇÃO E ANÁLISE DE LOCALIZAÇÃO EM ROBÓTICA MÓVEL POR FILTRO DE KALMAN
IMPLEMENTAÇÃO E ANÁLISE DE LOCALIZAÇÃO EM ROBÓTICA MÓVEL POR FILTRO DE KALMAN Claudiney Calixto da Silva (PG), Juliano Augusto Pereira (PG) Divisão de Ciência da Computação - Instituto Tecnológico de Aeronáutica
Leia maisIntrodução. Introdução. Introdução. Introdução. Introdução. Introdução à Robótica Robótica Móvel Localização. Principais questões na Robótica
à Robótica Robótica Móvel Localização Prof. Douglas G. Macharet douglas.macharet@dcc.ufmg.br Principais questões na Robótica Onde estou? (localização) Aonde vou? (objetivo) Como vou? (planejamento)? à
Leia maisEstimação de Velocidade do Motor com Controle Vetorial sem Sensor, Utilizando Filtro Estendido de Kalman com Estimação da Covariância dos Ruídos.
Jaime Antonio Gonzalez Castellanos Estimação de Velocidade do Motor com Controle Vetorial sem Sensor, Utilizando Filtro Estendido de Kalman com Estimação da Covariância dos Ruídos. Tese de Doutorado Tese
Leia maisMapeamento e Localização para o kit Robótico RoboDeck
Mapeamento e Localização para o kit Robótico RoboDeck Matheus Chaves Menezes 1, Chrystian Gustavo Martins Nascimento 1, Alexandre C. M. de Oliveira 2 1 Curso de Ciência da Computação Universidade Federal
Leia maisMarcela Gonçalves dos Santos, Walter Fetter Lages Universidade Federal do Rio Grande do Sul - Departamento de Engenharia Elétrica
FUSÃO DE DADOS DE SENSORES PARA ESTIMAÇÃO DE POSIÇÃO E ORIENTAÇÃO DO APM AEROMÓVEL Marcela Gonçalves dos Santos, Walter Fetter Lages Universidade Federal do Rio Grande do Sul - Departamento de Engenharia
Leia maisSISTEMAS ROBÓTICOS AUTÓNOMOS
SISTEMAS ROBÓTICOS AUTÓNOMOS Mestrado Integrado em Engenharia Eletrotécnica e de Computadores de Faculdade de Engenharia da Universidade do Porto A. Paulo G. M. Moreira Pag. 1 SISTEMAS ROBÓTICOS AUTÓNOMOS
Leia maisINSTITUTO TECNOLÓGICO DE AERONÁUTICA
INSTITUTO TECNOLÓGICO DE AERONÁUTICA DIVISÃO DE ENGENHARIA MECÂNICA MP-272: CONTROLE E NAVEGAÇÃO DE MULTICÓPTEROS VI. NAVEGAÇÃO Prof. Davi Antônio dos Santos (davists@ita.br) Departamento de Mecatrônica
Leia maisUMA ABORDAGEM BASEADA EM RETAS PARA SLAM EM AMBIENTES PLANOS USANDO VISÃO MONOCULAR
UMA ABORDAGEM BASEADA EM RETAS PARA SLAM EM AMBIENTES PLANOS USANDO VISÃO MONOCULAR André M. Santana, Adelardo A. D. Medeiros Departamento de Informática e Estatística - DIE Universidade Federal do Piauí
Leia maisOperações Pontuais. 1 operando. 2 operandos. Processamento e Análise de Imagem - A. J. Padilha - v ac
Operações Pontuais 1 operando T OP 2 operandos Pré-Processamento - 1 Operações Pontuais Nas operações pontuais, cada ponto da imagem-resultado - g(i,j) - é obtido por uma transformação T do ponto de coordenadas
Leia maisAlgoritmo Array Rápido para Filtragem de Sistemas Lineares Sujeitos a Saltos Markovianos com Variação Estruturada dos Parâmetros no Tempo
Trabalho apresentado no XXXVII CNMAC, SJ dos Campos - SP, 2017 Proceeding Series of the Brazilian Society of Computational and Applied Mathematics Algoritmo Array Rápido para Filtragem de Sistemas Lineares
Leia maisALGORITMO DE OTIMIZAÇÃO PARA LOCALIZAÇÃO GLOBAL DE ROBÔS MÓVEIS EM AMBIENTES CONHECIDOS
ALGORITMO DE OTIMIZAÇÃO PARA LOCALIZAÇÃO GLOBAL DE ROBÔS MÓVEIS EM AMBIENTES CONHECIDOS Caroline P. Carvalho, Eduardo R. Rohr, Luís Fernando A. Pereira, Sérgio L. Haffner Pontifícia Universidade Católica
Leia maisEstimativa de Posição 3D de Obstáculos para VANTs
Estimativa de Posição 3D de Obstáculos para VANTs Rodolfo Barros Chiaramonte, Kalinka Regina Lucas Jaquie Castelo Branco Institute of Mathematics and Computing Sciences (ICMC) University of São Paulo (USP),
Leia maisReconhecimento de palma de mão. Peterson Wagner Kava de Carvalho
Reconhecimento de palma de mão Peterson Wagner Kava de Carvalho 1 Sumário 1. Introdução 2. Artigo 1: Palmprint Recognition a. Pré-Processamento b. Extração de Features c. Classificação d. Resultados 3.
Leia maisDisciplina de Robôs Móveis Autônomos SSC-5888
USP - ICMC - SSC Pós-Grad. CCMC SSC 5888 (RMA) - 1o. Semestre 2009 Disciplina de Robôs Móveis Autônomos SSC-5888 Prof. Fernando Santos Osório Email: fosorio [at] { icmc. usp. br, gmail. com } Web: http://www.icmc.usp.br/~fosorio/
Leia maisTRABALHO Nº 1 DETERMINAÇÃO DO COMPRIMENTO DE ONDA DE UMA RADIAÇÃO DUPLA FENDA DE YOUNG
TRABALHO Nº 1 DETERMINAÇÃO DO COMPRIMENTO DE ONDA DE UMA RADIAÇÃO DUPLA FENDA DE YOUNG Pretende-se realizar a experiência clássica de Thomas Young e utilizar o padrão de interferência de duas fontes pontuais
Leia maisOccupancy grid based graph-slam using the distance transform, SURF features and SGD
Occupancy grid based graph-slam using the distance transform, SURF features and SGD Autores: Arturo Gil, Miguel Juliá, Óscar Reinoso Artur Segal Kaim Agenda Introdução Arquitetura Resultados Trabalho futuro
Leia maisINTRODUÇÃO À ROBÓTICA MÓVEL
INTRODUÇÃO À ROBÓTICA MÓVEL Aula 27 Edson Prestes Departamento de Informática Teórica http://www.inf.ufrgs.br/~prestes prestes@inf.ufrgs.br Localização É um componente essencial para um robô ser completamente
Leia maisJeferson André Bigheti NAVEGAÇÃO DE ROBÔS EM AMBIENTES INTERNOS USANDO SLAM
Jeferson André Bigheti NAVEGAÇÃO DE ROBÔS EM AMBIENTES INTERNOS USANDO SLAM BAURU 2011 Jeferson André Bigheti NAVEGAÇÃO DE ROBÔS EM AMBIENTES INTERNOS USANDO SLAM Dissertação apresentada à Faculdade de
Leia maisALGORITMO DE MAPEAMENTO USANDO MODELAGEM PROBABILÍSTICA
ALGORITMO DE MAPEAMENTO USANDO MODELAGEM PROBABILÍSTICA Anderson A. de Souza, Adelardo A. D. Medeiros, Luiz M. G. Gonçalves Universidade Federal do Rio Grande do Norte DCA-CT-UFRN, 59072-970, Natal, RN,
Leia maisRobótica Móvel. Simuladores de Robôs Móveis. Player/Stage/Gazebo. Localização Mapeamento SLAM Navegação. CSBC JAI # 3 Fundamentos
Robótica Móvel Inteligente: Da Simulação às Aplicações no Mundo Real Denis Fernando Wolf Eduardo do Valle Simões Fernando Santos Osório Onofre Trindade Junior Universidade de São Paulo USP - ICMC Grupo
Leia mais2 SIFT (Scale Invariant Feature Transform)
SIFT (Scale Invariant Feature Transform) O SIFT é um algoritmo de visão computacional proposto e publicado pelo pesquisador David Lowe (Lowe, 1999), professor do departamento de Ciência da Computação na
Leia maisMP-208: Filtragem Ótima com Aplicações Aeroespaciais
MP-208: Filtragem Ótima com Aplicações Aeroespaciais Capítulo 5: Aspectos Computacionais do Filtro de Kalman Davi Antônio dos Santos Departamento de Mecatrônica Instituto Tecnológico de Aeronáutica davists@ita.br
Leia mais!"$# %$'& (#) *+! *,$ -) -#.+/ &$0 $"$# 1 ' #$4!*.+5 #76$8 8'9
!"$# %$'& (#) *+! *,$ -) -#.+/ &$0 $"$# 1 ' 2 +3 2#$4!*.+5 #76$8 8'9 :?
Leia maisIntegração de Dados Visuais e Inerciais Para o Equilíbrio de Um Robô Humanóide
Integração de Dados Visuais e Inerciais Para o Equilíbrio de Um Robô Humanóide Orientador: Professor Vítor Santos Coorientador: Professor Filipe Silva João Carlos Pimentel Fidalgo Peixoto 00 Universidade
Leia maisIMPLEMENTAÇÃO DE SISTEMA DE ATITUDE EM DSP
Anais do 15 O Encontro de Iniciação Científica e Pós-Graduação do ITA XV ENCITA / 2009 Instituto Tecnológico de Aeronáutica São José dos Campos SP Brasil Outubro 19 a 21 2009. IMPLEMENTAÇÃO DE SISTEMA
Leia maisAssim, a rápida acumulação de erros pequenos pode causar o fracasso de quase todos os métodos para resolver o problema de SLAM.
1 Introdução Avanços significativos têm sido feitos no sentido de criar um robô capaz de realizar tarefas completamente autônomas. As tarefas básicas como planejamento de trajetórias, localização e navegação
Leia maisINTELIGENTE. Serra, Espírito Santo, Brasil
LOCALIZAÇÃO E GUIAGEM DE UM ROBÔ MÓVEL EM UM ESPAÇO INTELIGENTE Felippe Mendonça de Queiroz, Vitor Buback Covre, Mariana Rampinelli Fernandes, Flávio Garcia Pereira, Raquel Frizera Vassallo, Teodiano Freire
Leia maisOrientação de Bordas em Imagens Digitais: Abordagem por Análise de Vizinhança Local
Orientação de Bordas em Imagens Digitais: Abordagem por Análise de Vizinhança Local Inês Aparecida Gasparotto Boaventura DCCE-IBILCE-UNESP Rua Cristovão Colombo, 2265 15054-000, São José do Rio Preto,
Leia maisINTRODUÇÃO À ROBÓTICA MÓVEL
INTRODUÇÃO À ROBÓTICA MÓVEL Aula 18 Edson Prestes Departamento de Informática Teórica http://www.inf.ufrgs.br/~prestes prestes@inf.ufrgs.br Planejamento de Caminhos O problema de planejamento de caminhos
Leia maisGrupo de Sistemas Embarcados Evolutivos e Robóticos - SEER
SSC5887 Introdução aos Sistemas Robóticos Denis Fernando Wolf 1º semestre 2011 Grupo de Sistemas Embarcados Evolutivos e Robóticos - SEER Áreas de atuação: Sistemas embarcados Computação reconfigurável
Leia maisProcessamento de Sinal e Imagem Engenharia Electrotécnica e de Computadores
António M. Gonçalves Pinheiro Departamento de Física Covilhã - Portugal pinheiro@ubi.pt Algoritmos básicos de Processamento de Imagem Contagem do Número de Objectos numa Imagem Binária. Cantos Externos
Leia mais5.3 Variáveis aleatórias gaussianas conjuntas
M. Eisencraft 5.3 Variáveis aleatórias gaussianas conjuntas 64 respectivamente. São as chamadas funções características marginais: Φ X (ω ) = Φ X,Y (ω,0) (5.0) Φ Y (ω ) = Φ X,Y (0,ω ) (5.) Os momentos
Leia mais10/11/ : Navegação Robótica. .: Sistema de Localização
Localização Relativa de um Robô Humanóide Utilizando Filtro de Kalman Estendido André M. Santana 1, Kelson R. T. Aires 1, Adelardo A. D. Medeiros 2 1 Departamento de Informática e Estatística (DIE) Universidade
Leia maisUMA ABORDAGEM PARA A SEGMENTAÇÃO 2D DE SEGMENTOS DE RECTA, SIMPLIFICAÇÃO
João Manuel R. S. Tavares Comunicação Interna: UMA ABORDAGEM PARA A SEGMENTAÇÃO 2D DE SEGMENTOS DE RECTA, SIMPLIFICAÇÃO E SEGUIMENTO EM SEQUÊNCIAS DE IMAGENS 2D FEUP - Faculdade de Engenharia da Universidade
Leia maisModelagem de Ambientes para Robô Móvel baseado em Rede Neural Hierárquica e Visão Omnidirecional
Modelagem de Ambientes para Robô Móvel baseado em Rede Neural Hierárquica e Visão Omnidirecional LUCIANA L. SILVA 1, HENRIQUE VIAN 1, MARIO L. TRONCO 1, ARTHUR J. V. PORTO 2 1 Laboratório de Automação
Leia maisÓptica Ondulatória. 1. Introdução Ondas Electromagnéticas
Óptica Ondulatória 1. Introdução 1.1. Ondas Electromagnéticas As ondas estão presentes por todo o lado na Natureza: luz, som, ondas de radio, etc. No caso da luz visível trat-se de ondas electromagnéticas,
Leia maisÓptica Ondulatória. 1. Introdução Ondas Electromagnéticas
Óptica Ondulatória 1. Introdução 1.1. Ondas Electromagnéticas As ondas estão presentes por todo o lado na Natureza: luz, som, ondas de rádio, raios-x, etc. No caso da luz visível temos ondas electromagnéticas,
Leia maisExperiências no Seguimento de Objectos Rígidos e não Rígidos em Visão por Computador
Experiências no Seguimento de Objectos Rígidos e não Rígidos em Visão por Computador Autores: João M. R. S. Tavares A. Jorge Padilha Primeiro Ciclo de Seminários Internos Departamento de Ciência e Tecnologia
Leia maisGA069 TOPOGRAFIA I 2ª LISTA DE EXERCÍCIOS
GABARITO NÃO REVISADO GA069 TOPOGRAFIA I 2ª LISTA DE EXERCÍCIOS Irradiação Um engenheiro ocupa com uma estação total o ponto B, orienta o equipamento à ré, fazendo pontaria em A, e depois, faz pontaria
Leia maisProcessamento de Imagens COS756 / COC603
Processamento de Imagens COS756 / COC603 aula 09 - curvatura Antonio Oliveira Ricardo Marroquim 1 / 1 aula de hoje feature detection overview curvatura espaço de escala block matching 2 / 1 curvatura o
Leia maisUM CONTROLADOR PARA ROBÔS MÓVEIS BASEADO EM NUVEM DE PARTÍCULAS
UM CONTROLADOR PARA ROBÔS MÓVEIS BASEADO EM NUVEM DE PARTÍCULAS Jorge Augusto Vasconcelos Alves, Walter Fetter Lages Universidade Federal do Rio Grande do Sul Departamento de Engenharia Elétrica Av Osvaldo
Leia maisLocalização georeferenciada de alvos via processamento de imagens
Anais do 15 O Encontro de Iniciação Científica e Pós-Graduação do ITA XV ENCITA / 2009 Instituto Tecnológico de Aeronáutica São José dos Campos SP Brasil Outubro 19 a 22 2009. Localização georeferenciada
Leia maisUSANDO UM SENSOR DE VARREDURA LASER
CONTROLE DE ROBÔS MÓVEIS PARA NAVEGAÇÃO EM FORMAÇÃO LINEAR USANDO UM SENSOR DE VARREDURA LASER A. S. Brandão, J. L. Torres, M. Sarcinelli Filho, R. Carelli, T. F. Bastos Filho UFES - Universidade Federal
Leia maisIntrodução à Robótica Móvel
Introdução à Robótica Móvel Aula 4 Edson Prestes Departamento de Informática Teórica http://www.inf.ufrgs.br/~prestes prestes@inf.ufrgs.br Introdução Mckerrow, P. J. Introduction to Robotics. Addison Wesley,
Leia maisSLAM II Localização e Mapeamento Simulatâneos
SCE5880 Algoritmos de Estimação para Robótica Móvel As posições do robô ao longo do tempo e os landmarks correspondem a nós em um grafo. Filtro de Informação SLAM II Localização e Mapeamento Simulatâneos
Leia maisControlo por Computador. Primeiro Teste
MEEC, MAero Controlo por Computador 2014/2015 Primeiro Teste 5 de Novembro de 2014, 20 horas salas QA, Q01 Quotação: P1 a) 2 b) 2 c) 2; P2 a) 3, b) 1, c) 1, P3 4, P4 a) 1 b) 3 c) 1. Duração: 2 horas. Não
Leia maisUMA PROPOSTA DE SLAM COM DETERMINAÇÃO DE INFORMAÇÕES GEOMÉTRICAS DO AMBIENTE Diogo P. F. Pedrosa, Adelardo A. D. Medeiros, Pablo J. Alsina DCA CT UFRN 08-00, Natal, RN, Brasil Emails: diogo@dca.ufrn.br,
Leia maisEES-20: Sistemas de Controle II. 20 Novembro 2017
EES-20: Sistemas de Controle II 20 Novembro 2017 1 / 57 Recapitulando: Filtro de Kalman para sistema de 1a ordem Foi considerado o caso de estado x[k] escalar, com G = 1 e C = 1, por simplicidade: Equação
Leia maisEstudo Sobre Localização de Robôs Móveis com Rodas para Fins de Navegação Local
UNIVERSIDADE FEDERAL DO RIO GRANDE DO NORTE UNIVERSIDADE FEDERAL DO RIO GRANDE DO NORTE CENTRO DE TECNOLOGIA CURSO DE ENGENHARIA MECATRÔNICA BACHARELADO EM ENGENHARIA MECATRÔNICA Estudo Sobre Localização
Leia maisAGA Análise de Dados em Astronomia I 7. Modelagem dos Dados com Máxima Verossimilhança: Modelos Lineares
1 / 0 AGA 0505- Análise de Dados em Astronomia I 7. Modelagem dos Dados com Máxima Verossimilhança: Modelos Lineares Laerte Sodré Jr. 1o. semestre, 018 modelos modelagem dos dados dado um conjunto de dados,
Leia mais(") ; b) ρ b1b2 = 0,5; ρ b1b3 = 0,5; ρ b1b4 = 0
GA PROJETO E ANÁLISE E REES GEOÉSICAS EXERCÍCIOS ) Estimar a precisão do perímetro e da área de uma circunferência, e do volume de uma esfera, cujo raio (R) pode ser medido com as seguintes características:
Leia maisUMA ABORDAGEM HÍBRIDA PARA LOCALIZAÇÃO E MAPEMANETO SIMULTÂNEOS PARA ROBÔS MÓVEIS COM SONARES ATRAVÉS DO FILTRO DE KALMAN ESTENDIDO
UMA ABORDAGEM HÍBRIDA PARA LOCALIZAÇÃO E MAPEMANETO SIMULTÂNEOS PARA ROBÔS MÓVEIS COM SONARES ATRAVÉS DO FILTRO DE KALMAN ESTENDIDO Alan Porto Bontempo, Marley Vellasco e Karla Figueiredo* Pontifícia Universidade
Leia maisINTRODUÇÃO À ROBÓTICA MÓVEL
INTRODUÇÃO À ROBÓTICA MÓVEL Aula 20 Edson Prestes Departamento de Informática Teórica http://www.inf.ufrgs.br/~prestes prestes@inf.ufrgs.br Exploração baseada em Fronteiras Método desenvolvido por Brian
Leia maisFísica Geral (2012/2) Aula 9: Estimativas e erros em medidas indiretas: Ajuste de funções
Física Geral (2012/2) Aula 9: Estimativas e erros em medidas indiretas: Ajuste de funções 1 Medidas indiretas: Ajuste de funções Ajuste de funções y = f (x; a 1,a 2,...,a p ) Medidas de duas grandezas
Leia maisFísica Geral - Laboratório. Estimativas e erros em medidas indiretas: Ajuste de funções
Física Geral - Laboratório Estimativas e erros em medidas indiretas: Ajuste de funções 1 Medidas indiretas: Ajuste de funções Ajuste de funções y = f (x; a 1,a 2,...,a p ) Medidas de duas grandezas x e
Leia maisSeguimento do Corpo Humano com Modelos Articulados Bidimensionais
Seguimento do Corpo Humano com Modelos Articulados Bidimensionais Rui M. Jesus, Arnaldo J. Abrantes e Jorge S. Marques 2 Instituto Superior de Engenharia de Lisboa, Rua Conselheiro Emídio Navarro, nº,
Leia maisLOCALIZAÇÃO DE ROBÔS MÓVEIS USANDO VISÃO MONOCULAR E RETAS VERTICAIS
LOCALIZAÇÃO DE ROBÔS MÓVEIS USANDO VISÃO MONOCULAR E RETAS VERTICAIS Roberto J. G. Barra, Anna Helena Reali Costa Laboratório de Técnicas Inteligentes LTI Escola Politécnica da Universidade de São Paulo
Leia maisTÍTULO: FUZZY TAKAGI-SUGENO PARA IDENTIFICAÇÃO E CONTROLE INERCIAL DE UM ROBÔ MÓVEL
Anais do Conic-Semesp. Volume 1, 2013 - Faculdade Anhanguera de Campinas - Unidade 3. ISSN 2357-8904 TÍTULO: FUZZY TAKAGI-SUGENO PARA IDENTIFICAÇÃO E CONTROLE INERCIAL DE UM ROBÔ MÓVEL CATEGORIA: EM ANDAMENTO
Leia maisIMPLEMENTAÇÃO DE SISTEMA DE ATITUDE USANDO SENSORES MARG
Anais do XVI Encontro de Iniciação Científica e Pós-Graduação do ITA XVII ENCITA / 11 Instituto Tecnológico de Aeronáutica São José dos Campos SP Brasil 19 de outubro de 11 IMPLEMENTAÇÃO DE SISTEMA DE
Leia maisCALIBRAÇÃO DE UM SISTEMA POLI-DIÓPTRICO COM INJUNÇÕES DE ESTABILIDADE DA ORIENTAÇÃO RELATIVA
CALIBRAÇÃO DE UM SISTEMA POLI-DIÓPTRICO COM INJUNÇÕES DE ESTABILIDADE DA ORIENTAÇÃO RELATIVA MARIANA BATISTA CAMPOS ANTONIO MARIA GARCIA TOMMASELLI JOSÉ MARCATO JUNIOR EIJA HONKAVAARA 1 OBJETIVO: DETERMINAR
Leia maisUniversidade Estadual de Campinas - UNICAMP Faculdade de Engenharia Elétrica e de Computação - FEEC
LOCALIZAÇÃO EM ROBÓTICA TERRESTRE: FUSÃO ENTRE ODOMETRIA POR MÚLTIPLOS ENCODERS E GPS Renato José Martins,, Samuel Siqueira Bueno, Luiz G. Bizarro Mirisola, Ely Carneiro de Paiva, Paulo A. Valente Ferreira
Leia mais8.2. Na extremidade de uma corda suficientemente longa é imposta uma perturbação com frequência f = 5 Hz que provoca uma onda de amplitude
Constantes Velocidade do som no ar: v som = 344 m /s Velocidade da luz no vácuo c = 3 10 8 m/s 8.1. Considere uma corda de comprimento L e densidade linear µ = m/l, onde m é a massa da corda. Partindo
Leia maiss:
CALIBRAÇÃO AUTOMÁTICA DE UM SISTEMA MULTI-CÂMERAS UTILIZANDO ROBÔ MÓVEL Mariana Rampinelli Fernandes, Felippe Mendonça de Queiroz, Vitor Bubac Covre, Raquel Frizera Vassallo, Teodiano Freire Bastos-Filho
Leia maisFísica Geral - Laboratório. Aula 8: Estimativas e erros em medidas indiretas: Ajuste de funções
Física Geral - Laboratório Aula 8: Estimativas e erros em medidas indiretas: Ajuste de funções 1 Medidas indiretas: Ajuste de funções Ajuste de funções y = f (x; a 1,a 2,...,a p ) Medidas de duas grandezas
Leia maisCompetições Robóticas
Competições Robóticas Em Portugal e no Mundo Robótica FEUP LEIC 2005/2006 José Pedro Ferreira e Simão Rio Esquema da Apresentação Micromouse Micro-Rato Fire Fighting Robot Contest Trinity College Robô
Leia maisProcessamento de Imagens COS756 / COC603
Processamento de Imagens COS756 / COC603 aula 13 - Transformada de Hough e SIFT Antonio Oliveira Ricardo Marroquim 1 / 41 aula de hoje descritores Transformada de Hough SIFT 2 / 41 transformada de Hough
Leia maisConceitos Fundamentais Aula 2
Conceitos Fundamentais Aula Ondas lectromagnéticas A descrição de uma estrutura ondulatória envolve coordenadas espaciais e a coordenada temporal. Nem todas as funções f(x,y,z,t) são ondas. Ondas Planas
Leia maisSistema de Localização Mútua para Robots Utilizando Ultra-Sons
Sistema de Localização Mútua para Robots Utilizando Ultra-Sons José M. N. Vieira, Sérgio I. Lopes, Carlos C. Bastos e Pedro N. Fonseca Dep. de Electrónica e Telecomunicações - IEETA Universidade de Aveiro
Leia maisAerodinâmica I. Cálculo Numérico do Escoamento em Torno de Perfis Método dos paineis Γ S
( P) σ Aerodinâmica I [ ln( r( P, q) )] σ ( q) ds + ( V ) + γ ov np = vwp + Γ S π np O método dos paineis transforma a equação integral de Fredholm da segunda espécie num sistema de equações algébrico,
Leia maisLocalização de robôs móveis baseados em balizas
Faculdade de Engenharia da Universidade do Porto Localização de robôs móveis baseados em balizas Sandro Augusto Costa Magalhães Tiago José Ferreira Mendonça VERSÃO FINAL Trabalho realizada no âmbito da
Leia maisSoluções da Colectânea de Exercícios
Soluções da Colectânea de Exercícios (Edição de Fevereiro de 2003) Capítulo 1 1.1 d) x = 3.167; s = 0.886 (dados não agrupados) e) mediana = x = 3.25; q 1 = 2.4 ; q 3 = 3.9 1.2 a) x = 2.866 ; x = 3; moda
Leia mais19/05/2014. Histórico da Pesquisa em Robótica. Objetivos do curso. Informações. Calendário. Histórico
Objetivos do curso SSC5880 Algoritmos de Estimação para Móvel Estudo de problemas fundamentais da robótica móvel Estudo da utilização de técnicas de estimação e de fusão de sensores aplicadas na robótica
Leia maisProcessamento de Sinais e Imagem
António M. Gonçalves Pinheiro Departamento de Física Covilhã - Portugal pinheiro@ubi.pt Objectivos Estudar as características dos sinais temporais contínuos e discretos Projecto de filtros Processamento
Leia maisLISTA DE EXERCÍCIOS DE FIXAÇÃO Planimetria Parte 01 TOPOGRAFIA I
RE LISTA DE EXERCÍCIOS DE FIXAÇÃO Planimetria Parte 01 TOPOGRAFIA I Revisão de trigonometria 1. Para estimar a largura (h) de um rio, mediu-se a partir de uma base de 30,00 m de comprimento (lado AB),
Leia maisFiltragem linear. jorge s. marques, questão: como remover artefactos?
Filtragem linear questão: como remover artefactos? redução de ruído como reduzir o ruído de uma imagem? ideia: substituir cada piel por uma média Jm,n = m+ k n+ k k + p= m kq= n k Ip,q k= k+ k+ k= filtro
Leia maisMáquinas de Vetores de Suporte - Support Vector Machines (SVM) Germano Vasconcelos
Máquinas de Vetores de Suporte - Support Vector Machines (SVM) Germano Vasconcelos Introdução * Método supervisionado de aprendizagem de máquina * Empregado em classificação de dados Classificação binária
Leia maisLego NXT: Navegação e Localização com sensores de distância baseados em infra-vermelhos utilizando um Extended Kalman Filter
Lego NXT: Navegação e Localização com sensores de distância baseados em infra-vermelhos utilizando um Extended Kalman Filter Miguel Pinto Sistemas Robóticos Autónomos 1 Resumo LegoFeup Localização Cenários
Leia mais4. O algoritmo LMS e variantes
Apontamentos de Processamento Adaptativo de Sinais 4. O algoritmo LMS e variantes Família de algoritmos do gradiente Na prática usam-se estimativas do gradiente, ˆ (n), em vez do verdadeiro gradiente (n),
Leia maisRisco de Portfólios em Múltiplas Frequências
Risco de Portfólios em Múltiplas Frequências Joana Ramos FCUP 25 de Janeiro de 2013 Joana Ramos (FCUP) Risco de Portfólios em Múltiplas Frequências 25 de Janeiro de 2013 1 / 26 Abstract Portfolio risk
Leia maisINSTITUTO SUPERIOR TÉCNICO Mestrado Integrado em Engenharia Física Tecnológica Ano Lectivo: 2007/2008 Semestre: 1 o
INSTITUTO SUPERIOR TÉCNICO Mestrado Integrado em Engenharia Física Tecnológica Ano Lectivo: 27/28 Semestre: o MATEMÁTICA COMPUTACIONAL Exercícios [4 Sendo A M n (C) mostre que: (a) n A 2 A n A 2 ; (b)
Leia maisLOCALIZAÇÃO DE ROBÔS MÓVEIS EM TERRENOS IRREGULARES Douglas G. Macharet, Mario F. M. Campos, Armando A. Neto, Víctor C. da S. Campos Universidade Federal de Minas Gerais Departamento de Ciência da Computação
Leia maisDesenvolvimento de um Protótipo e de Metodologias de Controlo de uma Cadeira de Rodas Inteligente
Desenvolvimento de um Protótipo e de Metodologias de Controlo de uma Cadeira de Rodas Inteligente Discente: Marcelo Roberto Petry Orientador: Professor Doutor Luís Paulo Reis Co-orientador: Mestre Rodrigo
Leia maisDisciplina: Processamento Estatístico de Sinais (ENGA83) - Aula 05 / Detecção Binária Baseada em
Disciplina: Processamento Estatístico de Sinais (ENGA83) - Aula 05 / Detecção Binária Baseada em Múltiplas Observações e Detecção com Múltiplas Hipóteses Prof. Eduardo Simas (eduardo.simas@ufba.br) Programa
Leia mais