UM CONTROLADOR PARA ROBÔS MÓVEIS BASEADO EM NUVEM DE PARTÍCULAS
|
|
- Ísis Teves Fartaria
- 5 Há anos
- Visualizações:
Transcrição
1 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 Aranha, Porto Alegre, RS, Brasil s: Abstract Common control systems for mobile robots include the use of deterministic control laws together with state estimation approaches and the consideration of the certainty equivalence principle Recent approaches consider the use of partially observable Markov decision process strategies together with Bayesian estimators In order to reduce processing power and yet allow for multimodal or non-gaussian distributions, a scheme based on a particle filter and a corresponding cloud of input signals is proposed in this paper Results are presented and compared to a scheme with extended Kalman filter and the assumption that the certainty equivalence holds Keywords Mobile robotics, Particle filter, Nonlinear control, Stochastic control, Stochastic estimation Resumo O controle usual de robôs móveis inclui o uso de leis de controle determinísticas juntamente com estimadores de estados e a consideração do princípio da equivalência à certeza Resultados recentes consideram o uso de processo de decisão de Markov parcialmente observáveis juntamente com o uso de estimadores bayesianos De forma a reduzir o esforço computacional e mesmo assim considerar distribuições multimodais ou não gaussianas, este artigo propõe um esquema baseado em um filtro de partículas para estimação do estado e uma nuvem de partículas para os sinais de controle Os resultados são comparados com um esquema utilizando o filtro de Kalman estendido e o princípio da equivalência a certeza Palavras-chave Robôs móveis, Filtro de partículas, Controle não linear, Controle estocástico, Estimação estocástica 1 Introdução É sabido que robôs móveis estão sujeitos à incerteza tanto no seu comportamento quanto no ambiente no qual o robô navega (Thrun et al, 5) O enfoque clássico para estimação de estados e controle de sistemas estocásticos é considerar o valor esperado das variáveis de estado e o princípio da equivalência à certeza (Anderson e Moore, 1989) No entanto, enfoques baseados no valor esperado não podem ser utilizados quando distribuições multimodais, ou mesmo assimétricas, estão presentes Por outro lado, distribuições assimétricas ou multimodais podem surgir devido à fusão de sensores e problemas típicos de robótica (Kaelbling et al, 1998) Adicionalmente, a dinâmica não linear frequentemente gera distribuições multimodais ou assimétricas a partir de distribuições normais ou simétricas O estado da arte atual para tratar incertezas, especialmente as com distribuições de probabilidade não gaussianas, é utilizar filtros bayesianos para estimar o estado do sistema e então obter um sinal de controle baseado no resultados da estimação Tipicamente, o resultado da estimação é uma densidade de probabilidadeouumhistogramaouumconjuntodepartículas ou probabilidades sobre um mapa topológico Este sinal pode ser obtido a partir de um dos modos da distribuição ou através de otimização, como nos enfoques de processo de decisão de Markov parcialmente observáveis (POMDP) (Blanco etal,1;thrunetal,5) OusodePOMDP para sistemas com estados contínuos requer aproximações, pois caso contrário, o problema torna-se intratável(baral et al, ; Littman et al, 1995) Este artigo propõe um esquema de controle para um robô móvel com acionamento diferencial que mapeia um conjunto de possíveis estados em um espaço de sinais de controle Tanto as transições de estado quanto as observações são sujeitas à incerteza Portanto, um filtro de partículas é proposto para estimação de estados No entanto, a estimativa do estado não é considerada como sendo apenas um vetor, mas toda a nuvem de partículas que representa a probabilidade de cada vetor de estado A seguir, uma lei de controle globalmente estável é considerada para o mapeamento da nuvem de partículas no espaço de estados em um nuvem de partículas no espaço de entradas da planta O sinal de entrada a ser efetivamente aplicado no robô é, então, escolhido entre os pertencentes às regiões mais populadas do espaço de entradas Descrição do Sistema A cinemática de um robô móvel com acionamento diferencial movendo-se em um plano horizontal pode ser descrita, em tempo contínuo por cosx 3 ẋ = f(x,u) = senx 3 u (1) 1
2 onde x = [ x 1 x x 3 ] T é o vetor de estados e u = [ u 1 u ] T é o vetor de entradas As variáveisdeestadox 1 ex sãoascoordenadasnoplano, x 3 é o ângulo de orientação, e as variáveis de entrada u 1 e u são as velocidades linear e angular, respectivamente Uma realização em tempo discreto (Lages, 1998) é dada por x(k +1) = f d (x(k),u(k)) () [ ( ) ( )] Tu (k) Tu 1 (k) sinc cos x 3 (k)+ Tu (k) [ ( ) ( )] = x(k)+ Tu (k) Tu 1 (k) sinc sen x 3 (k)+ Tu (k) Tu (k) onde sincx senx x e T é o período de amostragem O comportamento do robô pode ser melhor descrito por modelos estocásticos, como descrito por Thrun et al (5) e Rekleitis (4) Os efeitos estocásticos podem ser observados no movimento do robô como uma deriva com relação à trajetória nominal, tanto na distância trafegada quanto na orientação Estes erros crescem com o tempo, e portanto, serão modelados aqui como velocidades lineares e angulares incertas Adicionalmente, os efeitos estocásticos estão fortemente relacionados com a velocidade linear do robô (Rekleitis, 4) Assim, a versão estocástica de (1) é ẋ(t) = f (x(t),u(t)+w(t)), (3) com w(t) = u 1 (t) [ w t (t) w D (t) ] T, onde wt (t) N (,σ t) ewd (t) N (,σ D) sãoprocessosgaussianos representando as incertezas nas velocidades linear e angular, respectivamente Para obter um modelo discreto que pode representar adequadamente a incerteza de orientação em k + 1, será assumido aqui, com base em Rekleitis (4), que metade dos efeitos da incerteza na velocidade angular atua através da transição de estado, portanto afetando tanto a posição quanto a orientação em k + 1, e a outra metade atua diretamente na orientação em k +1 Consequentemente, a incerteza w D (t) no modelo contínuo será representada por duas incertezas no modelo discreto: w d1 (k) N (,σ d), que atua através da transição de estado e w d (k) N (,σ d), que atua diretamente no estado em k+1 Os efeitos de w t (t) podem ser mapeados diretamente em w t (k) N (,σ t) Logo, o modelo discreto pode ser escrito como: x(k +1) = f d (x(k),u(k)+w 1 (k))+w (k), (4) onde a transição de estados f d (, ) é dada por () e w 1 (k) u 1 (k) [ ] wt (k), w d1 k) w (k) Tu 1 (k) w d (k) Como assume-se que w d1 (k) e w d (k) representam metade dos efeitos de w D (t), sua variância deve ser a metade de σ D, ou σ d = σd É importante notar que embora w 1 (k), w 1 (k) e w (k) apareçam como termos aditivos em (3) e (4), eles não são, na realidade, incerteza aditiva, pois dependem da velocidade linear u 1 (k) e tanto f(, ) quanto f d (, ) são não lineares O modelo (4) será utilizado para estimar as transições de estado para um conjunto de possíveis valores do vetor de estado, como será explicado em detalhes na seção 31 É importante notar que mesmo que w t (k), w d1 (k) e w d (k) sejam assumidos gaussianos, o estado resultante x(k+1) não é gaussiano, devido às não-linearidades O modelo (3) será usado para simular o robô na seção 4, enquanto o modelo (4) será utilizado para estimação de estado 3 Sistema de Controle 31 Estimação de Estado Robôs móveis não podem, em geral, determinar sua pose (ie, posição e orientação) através de sensores internos A sua pose deve ser estimada Aqui assume-se que o robô está equipado com encoders incrementais nas rodas e um GPS As leituras dos encoders são consideradas como medidas das entradas de velocidade do robô, enquanto o GPS fornece uma medida da pose Tanto as leituras dos encoders quando as leituras do GPS são corrompidas por incertezas, de forma que não é possível saber-se a pose real do robô Além disso, as medidas dos encoders estão disponíveis a cada instante de amostragem, enquanto as observações do GPS são disponíveis a uma taxa menor do que a taxa de amostragem do sistema Como as leituras dos encoders são mapeadas como medidas das entradas do sistema, u(k), o vetor de observação y(k), corrompido pela incerteza v(k), é restrito à observação do GPS y(k) = h(x(k),v(k)) = x(k)+v(k) (5) O filtro de partículas, no entanto, poderia ser estendido para considerar outros sensores, incluindo sensores de outros tipos, simplesmente considerando-os na definição de h(x(k), v(k)) Note que para outros tipos de sensores, o mapeamento de x(k) e v(k) em y(k) pode ser não linear e que quando sensores redundantes forem usados, a dimensão de y(k) pode ser maior do que a de x(k)
3 Como é o caso para muitas técnicas de filtragem bayesiana, os algoritmos de filtro de partículas podem ser divididos em dois estágios, denominados predição e atualização O funcionamento do filtro de partículas é resumido a seguir Uma descrição mais detalhada está disponível em Thrun et al (5) A cada instante de amostragem, os possíveis valores do vetor de estado x i (k), i [1,M], são considerados, com base nas observações anteriores do sistema Cada vetor x i (k) é denominado uma partícula e M é o número total de partículas A crença do estado bel p (x(k)) é dada pelo conjunto de todas as partículas, ou seja: bel p (x(k)) = {x 1 (k),x (k),,x M (k)} (6) A crença do estado é uma aproximação de uma função de densidade de probabilidade no seguinte sentido: regiões do espaço de estados com um número relativamente grande de partículas tem altos valores de densidade de probabilidade, enquanto regiões com relativamente poucas partículas representam baixos valores de densidade de probabilidade A etapa de predição do algoritmo calcula a crença a priori do estado no instante k + 1, bel p (x(k +1)), a partir da crença do estado no instante k e do vetor de entradas do sistema Para cada partícula da crença do estado, uma nova partícula é gerada conforme a função de transição de estado do sistema (4), com os termos de incerteza obtidos de um gerador de números aleatórios com distribuição apropriada, o que pode ser feito para qualquer distribuição A crença a priori do estado é denotada por bel p(x(k +1)) = {x 1(k+1),x (k+1),,x M(k+1)}, (7) onde cada partícula x i (k+1), i [1,M], é obtida de x i (k +1) = f d (x i (k),u(k)+w 1i (k))+w i (k) (8) O conjunto de partículas bel p (x(k +1)) é obtido sem informação da observação do sistema em k + 1: é calculado apenas a partir da conjunto de partículas bel p (x(k)) e as entradas da planta Este conjunto de partículas é, então, atualizado com a informação das observações, obtendo-se a nova crença do estado no instante k + 1, bel p (x(k +1)) Isto é feito a partir do chamado fator de importância ι i (k + 1) de cada partícula x i (k +1), dado por com ι i (k) = f y (y(k) x i (k)), f y (y(k) x(k)) = e( 1 [y(k) Cx(k)] T P[y(k) Cx(k)]), (π)n P onde P é a matriz de covariância da incerteza e n é o número de linhas de y(k) A crença do estado bel p (x(k +1)) é obtida através da seleção das partículas, entre aquelas em bel p (x(k +1)), com uma probabilidade proporcional ao seu fator de importância (Thrun et al, 5) A atualização da crença requer que seja feita uma observação Neste artigo, o GPS é considerado ter um período de amostragem maior do que o dos encoders incrementais Como resultado, a etapa de atualização não ocorre a cada instante de amostragem, mas apenas quando as observações do GPS são obtidas 3 Controle Um resultado importante sobre o controle de robôs móveis é que não é possível estabilizar assintoticamente o sistema em um ponto arbitrário através de uma lei de controle suave e invariante no tempo (Brockett, 198) No entanto, apesar disto, o sistema é controlável (Astolfi, 1994) Considera-se, aqui, um mapeamento do espaço de estados para o espaço de entradas proposto por Lages e Hemerly (1998), que permite a obtenção de uma lei de controle assintoticamente estável Se o mapeamento for representado por g : X U, x X e u U, então o sistema autônomo ẋ = f (x,g(x)) onde f(, ) é descrito por (1), é assintoticamente estável na origem No entanto, desejase estabilizar o robô em qualquer ponto x r, ou seja, qualquer posição e orientação (x r1,x r,x r3 ) Isso pode ser feito pela mudança de coordenadas x(x,x r ),obtida pela transformação [ ] R(xr3 ) x = (x x 1 r ) (9) onde R(x r3 ) é uma matriz de rotação -D, ou seja, [ ] cosxr3 senx R(x r3 ) = r3 senx r3 cosx r3 Logo, seosistema x = f ( x,g( x))éestávelem x =, então ẋ = f (x,g(x)) é estável em x = x r Portanto, para estabilizar o sistema em qualquer ponto arbitrário x r, com base na lei de controle g que leva o estado para a origem, é suficiente utilizar g( x) (Sørdalen, 1993) Aqui, o resultado da estimação de estados é um conjunto de partículas Esta estimativa pode ter pontos agrupados em torno de regiões distintas do espaço de estados, devido a crenças multimodais Como consequência, nem estimadores baseados em média quadrática, nem estimadores baseados em valor esperado produzem resultados apropriados e o princípio da equivalência a certeza não pode ser aplicado Propõe-se, neste caso, gerar o sinal de controle a partir da crença atual do estado considerando o sinal de controle que seria
4 gerado para cada partícula pertencente à crença do estado, mapeando-se com isto a crença do estado para o espaço de entradas do sistema, cuja distribuição refletirá os valores adequados para a entrada do sistema A cada instante de amostragem k, a crença bel p (x(k)) representa os possíveis valores para o vetor de estado Para cada partícula x i (k), desta crença, uma partícula de controle u i (k) é obtida por u i (k) = g( x i (k)), com x i (k) computada por (9), resultando bel p (u(k)) = {u 1 (k),u (k),,u M (k)} (1) onde g( x i (k)) é um mapeamento apropriado do espaço de estados para o espaço de entradas Para cada partícula da crença do estado, é utilizada a seguinte transformação de coordenadas (Lages e Hemerly, 1998): e = x 1 + x (11) ψ = atan( x, x 1 ) (1) α = x 3 ψ, (13) que, com o sinal de controle u i (k) = [u i1 (k) u i (k)] T u i1 = γ 1 ecosα (14) u i = γ α γ 1 cosα senα (α hψ), α (15) com h, γ 1, γ >, faz (1) ser assintoticamente estável (Lages e Hemerly, 1998) Consequentemente, a crença de controle contém os sinais de controle que estabilizam em um ponto as partículas da crença do estado O critério para escolher um vetor de controle dentre as partículas pertencentes à bel p (u(k)) é selecionar a partícula com o maior suporte local, ou seja, escolher a partícula cujas vizinhas também estão contidas em bel p (u(k)) A vizinhança de cada partícula u i (k) foi escolhida com uma região elipsoidal S i, centrada em u i (k), dada por S i = {u(k) : (u 1 u i1 ) a 1 + (u u i ) a onde a 1 e a são os raios da elipse 33 Filtro de Kalman Estendido } < 1, Para avaliar o desempenho da estratégia de controle proposta, que usa um filtro de partículas e uma nuvem de sinais de controle, será feita uma comparação com a estratégia clássica de utilizar um filtro de Kalman estendido e calcular-se o controle utilizando-se o princípio da equivalência à certeza Ressalte-se que em ambos os casos será utilizado o mesmo mapeamento de estados para entradas apresentado na seção 3 Os dois casos consideram aproximações para gerar uma estimativa para o estado O filtro de partícula produz uma estimativa representada por um conjunto de valores possíveis, as partículas, que são uma aproximação da distribuição de probabilidade conjunta dos estados O filtro de Kalman estendido produz uma aproximação da distribuição de probabilidade conjunta dos estados dada por uma gaussiana multivariável e considera uma aproximação das funções de transição de estados e de observação dadas pelo primeiro termo da expansão em série de Taylor das respectivas funções A atualização da estimativa do estado feita pelo filtro de Kalman estendido é baseada no ganho de Kalman e na observação Como a crença é resumida por uma média (ˆx(k)) e uma matriz de covariância Q(k), as equações de atualização podem ser escritas em função destas variáveis As equações do filtro também dependem do Jacobiano F(k) de f d ( ) F(k) = f d(x(k),u(k)) = x(k)=ˆx(k) x(k) ( ) Tu (k) 1 Tu 1 (k)sinc ( Tu (k) 1 Tu 1 (k)sinc 1 do jacobiano H(k) de h( ), ( sen ( ) cos H(k) = h(x(k),u(k)) x(k) ) x 3 (k)+ Tu (k) ) x 3 (k)+ Tu (k) ; = I; x(k)=ˆx(k) e das matrizes de covariância Q(k) e R(k), relativasàsincertezasdef d ( )eh( ), respectivamente As etapas de atualização da estimativa do estado e predição são computadas conforme as equações usuais do filtro de Kalman estendido 4 Resultados de Simulação O robô foi simulado através do modelo estocástico em tempo contínuo dado por (3), integrado utilizando-se um algoritmo de Runge-Kutta de 4 a ordem O filtro de partículas utilizou na sua etapa de predição o modelo estocástico do robô em tempo discreto, dado por (4) Os parâmetros das incertezasforamσ t =,5eσ D =,1745rad/m A matriz de covariância da observação foi P = diag(σ y1,σ y,σ y ), comσ y1 = σ y = 1 meσ y3 = 1 A velocidade máxima das rodas é 471 m/s O período de amostragem do controle é T = 5ms e o GPS fornece medidas (com incertezas) a cada ms Um total de 9 partículas foram usadas para estimação de estados, sendo que na crença inicial todas foram espaçadas igualmente em uma área de 1m centrada em x() Os parâmetros do controlador foram γ 1 =,5, γ =,5 rh = 1, Os raios do elipsoide utilizado para determinar a vizinhança do sinal de controle foram,5 e, A pose inicial foi x() = [ 4 π ] T e a referência foi ajustada em x r = [ 1 3 π/ ] T
5 A crença do controle em k = é mostrada na figura 1 Como as partículas da crença inicial do estado estão estruturadas em uma grade, a crença do controle resultante mantém parte daquela estrutura u (rad/s) u (rad/s) u1 (m/s) Figura 4: Crença do controle em k = u1 (m/s) Figura 1: Crença do controle em k = A crença do estado em k = 5 é mostrada na figura Afigura3mostraasuaprojeçãonoplano X 1 X com a orientação omitida A crença do controle correspondente é mostrada na figura 4 u1 (m/s) u (rad/s) k k 44 x Figura 5: Sinais de controle em função do tempo Linha sólida: método proposto Linha pontilhada: EKF e equivalência à certeza 13 x Figura : Crença do estado em k = 5 x (m) x1 (m) Figura 3: Projeção da crença do estado em k = 5 no plano X 1 X A figura 5 mostra os sinais de controle em função do tempo A trajetória do robô no plano é mostrada na figura 6, juntamente com a trajetória gerada pelo método utilizando filtro de x Kalman estendido A posição final do robô é x(k) = [ 1,44 3,9 1,571 ] T O experimento foi repetido 5 vezes, como forma de verificar os efeitos estocásticos em regime A média e o desvio padrão do estado no último instante de amostragem são mostrados na tabela 1 A tabela mostra os resultados equivalentes utilizando o filtro de Kalman estendido e o princípio da equivalência à certeza Nota-se que, embora os valores das médias sejam semelhantes para ambos os controladores, utilizando-se a estratégia proposta neste artigo tem-se desvios padrão bem menores, o que significa que o desempenho do controlador é bem mais consistente e robusto às incertezas presentes no sistema do que a estratégia de utilizar EKF com um controlador baseado na equivalência a certeza Tabela 1: Pose final média e desvio padrão com o método proposto Média Desvio padrão x 1 (m),9973,3 x (m) 3,7,139 x 3 (rad) 1,578,14
6 35 Referências x (m) x1 (m) Figura 6: Trajetória do robô Linha sólida: método proposto Linha pontilhada: EKF e equivalência à certeza Tabela : Pose final média e desvio padrão com EKF e equivalência à certeza Média Desvio padrão x 1 (m) 1,538,75 x (m),976,17 x 3 (rad) 1,431, Conclusões Um método para controlar um robô móvel com acionamento diferencial que pode acomodar incertezas não gaussianas na transição de estados e nos sensores foi proposto neste artigo e teve seu desempenho comparado com o enfoque clássico de utilizar um filtro de Kalman estendido e o princípio da equivalência à certeza Foi utilizada uma estratégia e estimação de estados baseada em filtro de partículas e a nuvem de partículas representando a crença do estado foi mapeada para o espaço de entradas através da utilização de uma lei de controle não suave, resultando em uma distribuição de partículas no espaço de entradas, representando a crença do controle O sinal de controle foi então obtido desta crença através de um método que considera o suporte local para o sinal de controle com maior probabilidade Embora os valores das médias dos erros sejam semelhantes para ambos os controladores, utilizando-se a estratégia proposta neste artigo tem-se desvios padrão bem menores, o que significa que o desempenho do controlador é bem mais consistente e robusto às incertezas presentes no sistema do que a estratégia de utilizar EKF com um controlador baseado na equivalência à certeza Agradecimentos Os autores agradecem à CAPES e à FAPERGS pelo apoio financeiro Anderson, B D O e Moore, J B (1989) Optimal Control: Linear Quadratic Methods, Prentice-Hall Information and System Sciences Series, Prentice-Hall, Englewood Cliffs, NJ, USA Astolfi, A(1994) On the stabilization of nonholonomic systems, Proceedings of the 33rd IEEE American Conference on Decision and Control, Piscataway, NJ, IEEE Press, Lake Buena Vista, FL, pp Baral, C, Kreinovich, V e Trejo, R () Computational complexity of planning and approximate planning in the presence of incompleteness, Artificial Intelligence 1(1): Blanco, J-L, González, J e Fernández-Madrigal, J-A (1) Optimal filtering for nonparametric observation models: Applications to localization and slam, International Journal of Robotics Research 9(14): Brockett, R W(198) New Directions in Applied Mathematics, Springer-Verlag, New York Kaelbling, L P, Cassandra, A R e Littman, M L (1998) Planning and acting in partially observable stochastic domains, Artificial Intelligence 11(1): Lages, W F (1998) Controle e Estimação de Posição e Orientação de Robôs Móveis, Tese de doutorado, Instituto Tecnológico de Aeronáutica, São José dos Campos, SP Orientador: Elder M Hemerly Lages, W F e Hemerly, E M (1998) Smooth time-invariant control of wheeled mobile robots, Proceedings of The XIII International Conference on Systems Science, Technical University of Wroc law, Wroc law, Poland Littman, M L, Cassandra, A R e Kaelbling, L P (1995) Efficient dynamic-programming updates in partially observable markov decision processes, Technical Report CS-95-19, Brown University, Providence, RI, USA Rekleitis, I M (4) A particle filter tutorial for mobile robot localization, Technical Report TR-CIM-4-, Centre for Intelligent Machines, McGill University, Montreal, Québec, Canada Sørdalen, O J (1993) Feedback Control of Nonholonomic Mobile Robots, Thesis (dr ing), The Norwegian Institute of Technology, Trondheim, Norway Thrun, S, Burgard, W e Fox, D (5) Probabilistic Robotics, MIT Press, Cambridge, MA
3 Filtro de Kalman Discreto
3 Filtro de Kalman Discreto As medidas realizadas por sensores estão sujeitas a erros, como pode ser visto no Capítulo 2. Os filtros são aplicados aos sinais medidos pelos sensores para reduzir os erros,
MP-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
Transmitir aos alunos conhecimentos sobre robótica fixa e móvel, visando capacitá-los a desenvolver
DISCIPLINA: ELE228 - Robótica A Créditos: 4 Caráter: Eletiva UNIVERSIDADE FEDERAL DO RIO GRANDE DO SUL ESCOLA DE ENGENHARIA DEPARTAMENTO DE SISTEMAS ELÉTRICOS DE AUTOMAÇÃO E ENERGIA PROGRAMA DE PÓS-GRADUAÇÃO
Este capítulo descreve os testes realizados para validar a teoria proposta pela presente dissertação.
6 Simulações Este capítulo descreve os testes realizados para validar a teoria proposta pela presente dissertação. 6.1. Descrição da Simulação Visando validar o equacionamento desenvolvido no Capítulo
7 Conclusões e desenvolvimentos futuros
7 Conclusões e desenvolvimentos futuros 7.1 Conclusões Este trabalho apresentou novas soluções para a determinação da posição de terminais de comunicações móveis com base em medidas de ToA. Nos métodos
Introdução. 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
SLAM 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
Occupancy 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
INSTITUTO 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
Introdução. Geovany A. Borges
167657 - Controle para Automação Curso de Graduação em Engenharia de Controle e Automação Departamento de Engenharia Elétrica Universidade de Brasília Introdução Geovany A. Borges gaborges@ene.unb.br Controle
IA - Planejamento II
PO IA - Planejamento II Professor Paulo Gurgel Pinheiro MC906A - Inteligência Articial Instituto de Computação Universidade Estadual de Campinas - UNICAMP 16 de Novembro de 2010 1 / 48 PO http://www.ic.unicamp.br/
Controle utilizando variáveis de estado - v1.1
2 ontrole utilizando variáveis de estado - v. 2. Objetivo O objetivo desta experiência é, utilizando o enfoque de espaço de estados, projetar e implementar um controlador digital para uma planta simples
INTRODUÇÃO 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
INTRODUÇÃO À ROBÓTICA MÓVEL
INTRODUÇÃO À ROBÓTICA MÓVEL Aua 25 Edson Prestes Departamento de Informática Teórica http://www.inf.ufrgs.br/~prestes prestes@inf.ufrgs.br Locaização Fitragem de Kaman Fitragem de kaman fornece uma abordagem
Marcela 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
Algoritmo 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
Estudo sobre decodificação iterativa usando códigos de treliça
Revista de Engenharia e Pesquisa Aplicada, Volume 2, Número 1, 2016 Estudo sobre decodificação iterativa usando códigos de treliça Souza, I. M. M. Escola Politécnica de Pernambuco Universidade de Pernambuco
Representações 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
MP-208: Filtragem Ótima com Aplicações Aeroespaciais
MP-208: Filtragem Ótima com Aplicações Aeroespaciais Capítulo 1: Introdução Davi Antônio dos Santos Departamento de Mecatrônica Instituto Tecnológico de Aeronáutica davists@ita.br São José dos Campos,
IMPLEMENTAÇÃO 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
PROGRAMA DE ENSINO. Teoria da Estimação II CAR Área de Concentração AQUISIÇÃO, ANÁLISE E REPRESENTAÇÃO DE INFORMAÇÕES ESPACIAIS
PROGRAMA DE ENSINO Disciplina Código Estimação II CAR 1061 Semestre Ano Letivo 3 o Quadrimestre 2018 Área de Concentração AQUISIÇÃO, ANÁLISE E REPRESENTAÇÃO DE INFORMAÇÕES ESPACIAIS Curso: MESTRADO ( x
Robótica Competitiva Controle de Movimento Cinemático
Robótica Competitiva Controle de Movimento Cinemático 2017 Introdução Modelo Controlador Lei de Controle Resultados Estabilidade Sumário Introdução Modelo Controlador Lei de Controle Resultados Estabilidade
Modelagem para previsão/estimação: uma aplicação Neuro-Fuzzy
Proceeding Series of the Brazilian Society of pplied and Computational Mathematics, Vol., N., 0. Trabalho apresentado no XXXV CNMC, Natal-RN, 0. Modelagem para previsão/estimação: uma aplicação Neuro-Fuzzy
Lego 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
Metodologia de inversão
6 Metodologia de inversão Nesta tese, a transformação de velocidades em pressão de poros é encarada como um problema de inversão. Pela natureza do problema, essa transformação apresenta caráter não único
EES-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
3 INTERVALOS DE CONFIANÇA
3 INTEVALOS DE CONFIANÇA 3.1 Introdução A estimativa de intervalos de confiança é utilizada para se obter medidas de incerteza dos dados analisados. A análise da incerteza de uma previsão, por exemplo,
Markov Switching Models. Profa. Airlane Alencar. Depto de Estatística - IME-USP. lane. Ref: Kim e Nelson (1999) e Hamilton (1990)
Markov Switching Models Profa. Airlane Alencar Depto de Estatística - IME-USP www.ime.usp.br/ lane Ref: Kim e Nelson (1999) e Hamilton (1990) 1 Objetivo Mudança nos parâmetros de um modelo de regressão
10/11/ : 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
DETERMINAÇÃO DE FUNÇÕES DE TRANSFERÊNCIA DE PROCESSOS QUÍMICOS ATRAVÉS DO MÉTODO DE EVOLUÇÃO DIFERENCIAL UTILIZANDO O SCILAB
DETERMINAÇÃO DE FUNÇÕES DE TRANSFERÊNCIA DE PROCESSOS QUÍMICOS ATRAVÉS DO MÉTODO DE EVOLUÇÃO DIFERENCIAL UTILIZANDO O SCILAB A. H. R. REZENDE 1, D. L. SOUZA 1 1 Universidade Federal do Triângulo Mineiro,
Estimação 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
LOCALIZAÇÃO 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 -
15/05/2013. Histórico da Pesquisa em Robótica. Objetivos do curso. Informações. Calendário. Histórico
Objetivos do curso SSC5880 Algoritmos de Estimação para Robótica Móvel Estudo dos problemas fundamentais da robótica móvel Estudo da utilização de técnicas de estimação e de fusão de sensores aplicadas
Estimação na Presença de Ruído colorido
36 Estimação na Presença de Ruído colorido Como se viu, em presença de ruído colorido, os mínimos quadrados fornecem uma estimativa polarizada. Quer dizer, ao fazer muitas observações a estimativa não
étodos uméricos SISTEMAS DE EQUAÇÕES LINEARES (Continuação) Prof. Erivelton Geraldo Nepomuceno PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA
étodos uméricos SISTEMAS DE EQUAÇÕES LINEARES (Continuação) Prof. Erivelton Geraldo Nepomuceno PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA UNIVERSIDADE DE JOÃO DEL-REI PRÓ-REITORIA DE PESQUISA CENTRO
INTRODUÇÃO 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
θ depende de um parâmetro desconhecido θ.
73 Método de Máxima Verosimilhança (Maximum Likelihood) Seja uma variável aleatória (v. a.) cuja densidade de probabilidade depende de um parâmetro desconhecido. Admite-se conhecida a forma de Exemplo
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
UMA PROPOSTA DE DECOMPOSIÇÃO DE SISTEMAS LINEARES PARA DMPC
UMA PROPOSTA DE DECOMPOSIÇÃO DE SISTEMAS LINEARES PARA DMPC R. R. ROCHA 1 e L. C. OLIVEIRA-LOPES 1 1 Universidade Federal de Uberlândia, Faculdade de Engenharia Química E-mail para contato: rosi.rocha28@gmail.com;
AVALIAÇÃO DA ESTIMATIVA DE PARÂMETROS PARA MODELOS AR2D APLICADOS NA EXTRAÇÃO DE ATRIBUTOS DE TEXTURA EM IMAGENS DE SENSORIAMENTO REMOTO
AVALIAÇÃO DA ESTIMATIVA DE PARÂMETROS PARA MODELOS AR2D APLICADOS NA EXTRAÇÃO DE ATRIBUTOS DE TEXTURA EM IMAGENS DE SENSORIAMENTO REMOTO GUSTAVO TADEU ZANIBONI 1 LUCIANO VIEIRA DUTRA 1 1 INPE - Instituto
Apêndice ao Roteiro do Experimento Força de Atrito Variável
Apêndice ao Roteiro do Experimento Força de Atrito Variável I. Definição dos sinais na Equação de Movimento Nas figuras abaixo, o referencial xoy foi escolhido da mesma maneira que no Roteiro da Parte
19/05/2014. 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
MP-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
15/05/2013. 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
17/05/2011. Histórico da Pesquisa em Robótica. Objetivos do curso. Calendário. Informações. Histórico
Objetivos do curso SSC5880 Algoritmos de Estimação para Robótica Móvel Estudo dos problemas fundamentais da robótica móvel Estudo da utilização de técnicas de estimação e de fusão de sensores aplicadas
IMPLEMENTAÇÃO 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
Alvaro Talavera López
CONTROLE ADAPTATIVO GENETICO INDIRETO PARA SISTEMAS NÃO LINEARES E OTIMIZAÇÃO DE CONTROLADORES PID UTILIZANDO ALGORTIMOS GENÉTICOS Alvaro Talavera López alvaro@ele.puc-rio.com Departamento de Engenharia
Estimadores ou Observadores de Estado
Estimadores ou Observadores de Estado 1. Estimadores ou Observadores de Estado: sistemas SISO 1. Extensões para Sistemas a Tempo Discreto pag.1 Teoria de Sistemas Lineares Aula 19 Estimadores ou Observadores
Universidade Federal do Rio Grande do Sul Escola de Engenharia Departamento de Engenharia Elétrica ENG04037 Sistemas de Controle Digitais
Universidade Federal do Rio Grande do Sul Escola de Engenharia Departamento de Engenharia Elétrica ENG04037 Sistemas de Controle Digitais 1 Introdução Identificação via Mínimos Quadrados Prof. Walter Fetter
Orientação 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,
Plano Básico Processos Estocásticos
Universidade Federal do Ceará Departamento de Engenharia Elétrica Programa de Educação Tutorial Plano Básico Processos Estocásticos Autores: Luís Paulo Carvalho dos Santos Luiz Fernando Almeida Fontenele
FUSÃO 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
Aula 12 - Controle por Modos Deslizantes 1
Instituto Tecnológico de Aeronáutica 1/ 23 Instituto Tecnológico de Aeronáutica Divisão de Engenharia Eletrônica Departamento de Sistemas e Controle São José dos Campos, São Paulo, Brasil Aula 12-1 EE-209:
Universidade Federal do Espírito Santo SEAGRO: ANAIS DA SEMANA ACADÊMICA DO CURSO DE AGRONOMIA DO CCAE/UFES FILTRO DE PARTÍCULAS APLICADO À ESTIMAÇÃO
Universidade Federal do Espírito Santo SEAGRO: ANAIS DA SEMANA ACADÊMICA DO CURSO DE AGRONOMIA DO CCAE/UFES FILTRO DE PARTÍCULAS APLICADO À ESTIMAÇÃO DE EPIDEMIAS EM PLANTAS Kaique dos Santos Alves 1,
SSC5887 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
LOCALIZAÇÃO 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 -
IMPLEMENTAÇÃO 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
Cap. 8 - Intervalos Estatísticos para uma Única Amostra
Intervalos Estatísticos para ESQUEMA DO CAPÍTULO 8.1 INTRODUÇÃO 8.2 INTERVALO DE CONFIANÇA PARA A MÉDIA DE UMA DISTRIBUIÇÃO NORMAL, VARIÂNCIA CONHECIDA 8.3 INTERVALO DE CONFIANÇA PARA A MÉDIA DE UMA DISTRIBUIÇÃO
Projeto e implementação de controlador LQR com servomecanismo aplicado a um pêndulo invertido
Projeto e implementação de controlador LQR com servomecanismo aplicado a um pêndulo invertido Lucas Vizzotto Bellinaso Engenharia Elétrica Universidade Federal de Santa Maria Santa Maria, Rio Grande do
Realimentação e Observador no Espaço de Estados Revisão
Realimentação e Observador no Espaço de Estados Revisão 1. Realimentação de estados 1.1. Um tour por alocação de pólos 2. Observador ou Estimador 2.1. Observador? Por quê? 3. Princípio da separação 4.
Engenharia de Controle e Automação: ENG03316 Mecanismos I Engenharia Elétrica: ENG10017 Sistemas e Sinais e ENG04475 Microprocessadores I
UNIVERSIDADE FEDERAL DO RIO GRANDE DO SUL ESCOLA DE ENGENHARIA DEPARTAMENTO DE SISTEMAS ELÉTRICOS DE AUTOMAÇÃO E ENERGIA PLANO DE ENSINO PERÍODO LETIVO 2018/2 DISCIPLINA: ROBÓTICA A ENG10026 Créditos:
5 Filtro de Kalman Aplicado ao Modelo de Schwartz e Smith (2000)
5 Filtro de Kalman Aplicado ao Modelo de Schwartz e Smith (2000) A primeira parte deste capítulo, referente à passagem dos modelos estocásticos para as equações do Filtro de Kalman, já foi previamente
Aplicação da Técnica de Componentes Principais no Treinamento de uma Rede Neural no Contexto de Assimilação de Dados
Aplicação da Técnica de Componentes Principais no Treinamento de uma Rede Neural no Contexto de Assimilação de Dados 1 Vinicius Carvalho Beck 2 Júlio Renato Q. Marques 3 Fabrício P. Härter Universidade
Redes Neurais. A Rede RBF. Redes RBF: Função de Base Radial. Prof. Paulo Martins Engel. Regressão não paramétrica. Redes RBF: Radial-Basis Functions
Redes RBF: Função de Base Radial Redes Neurais A Rede RBF O LP é baseado em unidades que calculam uma função não-linear do produto escalar do vetor de entrada e um vetor de peso. A rede RBF pertence a
Modelos de Perturbações. As perturbações existentes num sistema impôem limitações fortes no desempenho dos sistemas de controlo.
38 Modelos de Perturbações As perturbações existentes num sistema impôem limitações fortes no desempenho dos sistemas de controlo. Pertub. à entrada Pertub. internas Pertub. à saída u Sistema medição y
Processamento de Imagens CPS755
Processamento de Imagens CPS755 aula 06 - sistemas não lineares Antonio Oliveira Ricardo Marroquim 1 / 38 laboratório de processamento de imagens tópicos RANSAC métodos iterativos (não-lineares) gradientes
XIII 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
IA368-W Métodos Estocásticos em Robótica Móvel
IA368-W Métodos Estocásticos em Robótica Móvel Prof. Eleri Cardozo Prof. Eric Rohmer Colaboradores: Leonardo R. Olivi Paulo G. Pinheiro Ricardo S. Souza Fernando C.A. Pinho PROPAGAÇÃO DE ERROS EM ODOMETRIA
Echo State Networks. Fabricio Breve João Bertini
Echo State Networks Fabricio Breve João Bertini RNN Tarefas Filtragem e predição Classificação de Padrões Modelagem de Seqüências Estocásticas Memória Associativa Compressão de Dados RNN Aplicações Telecomunicações
Universidade Federal do Rio Grande do Sul Escola de Engenharia Departamento de Engenharia Elétrica ENG04037 Sistemas de Controle Digitais
Universidade Federal do Rio Grande do Sul Escola de Engenharia Departamento de Engenharia Elétrica ENG04037 Sistemas de Controle Digitais Digitalização de Controladores Contínuos 1 Introdução Prof. Walter
Localização 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
APRESENTAÇÃO DA DISCIPLINA
INSTITUTO TECNOLÓGICO DE AERONÁUTICA DIVISÃO DE ENGENHARIA MECÂNICA MP-272: CONTROLE E NAVEGAÇÃO DE MULTICÓPTEROS APRESENTAÇÃO DA DISCIPLINA Prof. Davi Antônio dos Santos (davists@ita.br) Departamento
Metodologia de Box-Jenkins. Metodologia de Box-Jenkins. Metodologia de Box-Jenkins
Programa de Pós-graduação em Engenharia de Produção Análise de séries temporais: Modelos de Box-Jenkins Profa. Dra. Liane Werner Metodologia de Box-Jenkins Para os modelos de decomposição e os modelos
COMPARAÇÃO DE TÉCNICAS DE CONTROLE APLICADAS A UM SISTEMA DE LEVITAÇÃO MAGNÉTICA
Proceeding Series of the Brazilian Society of Applied and Computational Mathematics, Vol., N., 04. rabalho apresentado no CMAC-Sul, Curitiba-PR, 04. COMPARAÇÃO DE ÉCNICAS DE CONROLE APLICADAS A UM SISEMA
Sistemas Dinâmicos Lineares
Sumário Sistemas Dinâmicos Lineares 4 de julho de 2016 () Sistemas Dinâmicos Lineares 4 de julho de 2016 1 / 29 () Sistemas Dinâmicos Lineares 4 de julho de 2016 2 / 29 Apresentação da disciplina Objetivos
Um modelo estocástico para o fluxo de caixa de um plano de previdência de um indivíduo 15
2 Simulação estocástica A simulação computacional consiste em empregar técnicas matemáticas em computadores com o propósito de gerar ensaios que tentam reproduzir de maneira análoga um processo ou operação
Utilização do solidthinking Embed em projetos de controle para sistemas embarcados utilizando técnica de controle adaptativo por modelo de referência.
Utilização do solidthinking Embed em projetos de controle para sistemas embarcados utilizando técnica de controle adaptativo por modelo de referência. Rodrigo de J. Macedo Resumo Apresenta-se, neste artigo,
Tópicos de Estatística Espacial Geoestatística
Tópicos de Estatística Espacial Geoestatística Anderson Castro Soares de Oliveira Geoestatística A geoestatística é uma análise espacial que considera que a variável em estudo se distribui continuamente
Medições, erros aleatórios e o filtro de Kalman
Medições, erros aleatórios e o filtro de Kalman Marco Costa, marco@ua.pt ESTGA-UA, Escola Superior de Tecnologia e Gestão de Águeda CIDMA, Centro de Investigação e Desenvolvimento em Matemática e Aplicações
4 Método Proposto CR AD PA NDVI Descrição geral do modelo
34 4 Método Proposto 4.1. Descrição geral do modelo Neste trabalho, cada classe (cobertura vegetal) possui um HMM específico. Os estágios fenológicos correspondem a estados e os símbolos observáveis a
TÍTULO: TESTE DE CONTROLADOR PARA UM ROBÔ DE EQUILÍBRIO DINÂMICO CATEGORIA: CONCLUÍDO ÁREA: CIÊNCIAS EXATAS E DA TERRA. SUBÁREA: Engenharias
TÍTULO: TESTE DE CONTROLADOR PARA UM ROBÔ DE EQUILÍBRIO DINÂMICO CATEGORIA: CONCLUÍDO ÁREA: CIÊNCIAS EXATAS E DA TERRA SUBÁREA: Engenharias INSTITUIÇÃO(ÕES): CENTRO UNIVERSITÁRIO DO NORTE PAULISTA - UNORP
AVALIAÇÃO DA QUALIDADE DAS MEDIDAS EXPERIMENTAIS NAS REGIÕES DE CONFIANÇA DOS PARÂMETROS CINÉTICOS ESTIMADOS DE UM SISTEMA COM REAÇÕES EM SÉRIE
AVALIAÇÃO DA QUALIDADE DAS MEDIDAS EXPERIMENTAIS NAS REGIÕES DE CONFIANÇA DOS PARÂMETROS CINÉTICOS ESTIMADOS DE UM SISTEMA COM REAÇÕES EM SÉRIE H. ENZWEILER 1, E. B. COUTINHO 2 e M. SCHWAAB 3 1 Universidade
Introdução. Introdução Exemplo. Introdução. Representação do Ambiente Exemplo. Representação do Ambiente. Mapeamento e Localização Simultâneos
Instituto de Ciências Matemáticas e de Computação (ICMC) Universidade de São Paulo USP/São Carlos e Localização Simultâneos Giampaolo Luiz Libralon Professora Roseli Aparecida Francelin Romero Introdução
APLICAÇÃO DO FILTRO DE KALMAN A UM SISTEMA DE POSICIONAMENTO DE VEÍCULO AQUÁTICO
APLICAÇÃO DO FILTRO DE KALMAN A UM SISTEMA DE POSICIONAMENTO DE VEÍCULO AQUÁTICO André TEIXEIRA DE AQUINO; André LUIZ CARNEIRO DE ARAÚJO (1) Instituto Federal de Educação, Ciência e Tecnologia do Ceará,
Controle Ótimo - Aula 8 Equação de Hamilton-Jacobi
Controle Ótimo - Aula 8 Equação de Hamilton-Jacobi Adriano A. G. Siqueira e Marco H. Terra Departamento de Engenharia Elétrica Universidade de São Paulo - São Carlos O problema de controle ótimo Considere
Redes Neurais e Sistemas Fuzzy
Redes Neurais e Sistemas Fuzzy Aspectos Temporais Modelagem de sistemas As tarefas que estudamos, classificação e regressão, podem ser vistas como atividades de modelagem de sistemas. As técnicas de modelagem
PRE29006 LISTA DE EXERCÍCIOS #
INSTITUTO FEDERAL DE SANTA CATARINA CAMPUS SÃO JOSÉ COORDENADORIA DE ÁREA DE TELECOMUNICAÇÕES ENGENHARIA DE TELECOMUNICAÇÕES PRE9006 LISTA DE EXERCÍCIOS #3 06. Exercícios. [, Exercício 7.] Seja A uma variável
Universidade 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
Inferência Bayesiana Exata para Processos de Cox Level-Set
Inferência Bayesiana Exata para Processos de Cox Level-Set Bárbara da Costa Campos Dias 1 Flávio Bambirra Gonçalves 2 Resumo Este trabalho propõe uma metodologia de inferência exata para processos de Cox
Disciplina 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/
ESTATÍSTICA COMPUTACIONAL
ESTATÍSTICA COMPUTACIONAL Ralph dos Santos Silva Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Sumário (bootstrap) Este método foi proposto por Efron
Inferências bayesianas com probabilidade
Inferências bayesianas com probabilidade Qual é a relação entre inferência bayesiana e as distribuições probabiĺısticas recém descritas? Essa conexão é feita ao se estimar parâmetros da distribuição probabiĺıstica
Filtro de Kalman. Teoria e Aplicação para Iniciantes. Prof. Dr. Marco Antonio Leonel Caetano. M&V Consultoria e Treinamento
Filtro de Kalman Teoria e Aplicação para Iniciantes Prof. Dr. Marco Antonio Leonel Caetano M&V Consultoria e Treinamento www.mudancasabruptas.com.br A História da Filtragem de Sinais 930 940 960 Filtro
2 Modelos em Espaço de Estado Lineares: Formulação Geral
2 Modelos em Espaço de Estado Lineares: Formulação Geral 2.1 Definição Geral de um Modelo Linear Apresenta-se uma definição de modelos em EE lineares que seja a mais geral e flexível possível, e que segue
Assim, 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
Controlo 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
XIII Simpósio Brasileiro de Automação Inteligente Porto Alegre RS, 1 o 4 de Outubro de 2017
DESENVOLVIMENTO DE UM FILTRO DE PARTÍCULAS ALIADO AO FILTRO DE KALMAN ESTENDIDO ITERATIVO PARA ESTIMAÇÃO DE ESTADOS DE SISTEMAS NÃO LINEARES COM RUÍDO GAUSSIANO Eric Antony Vinhaes Prohmann, Francisco
1 Técnicas de Seleção de Antenas Transmissoras
1 Técnicas de Seleção de Antenas Transmissoras Como visto em aulas anteriores, para se atingir uma ordem de diversidade espacial maior é necessário o emprego de múltiplas antenas no transmissor e/ou no
Ajuste do modelo de regressão linear: Inferência Bayesiana, aspectos computacionais e seleção de variáveis.
Ajuste do modelo de regressão linear: Inferência Bayesiana, aspectos computacionais e seleção de variáveis. João Daniel Nunes Duarte a, Vinícius Diniz Mayrink b a Estudante de Graduação, e-mail: joaodaniel@ufmg.br