gallardo98 CCIA

Estimación bayesiana de características en robots móviles
mediante muestreo de la densidad a posteriori
Domingo Gallardo, Francisco Escolano, Ramón Rizo,
Otto Colomina, Miguel Angel Cazorla
domingo,sco,rizo,otto,miguel@dccia.ua.es
Grupo VGIA: Visión, Gráficos e Inteligencia Artificial
Departamento de Ciencia de la Computación e Inteligencia Artificial
Universidad de Alicante

Resumen
La obtenciónde características estables y robustas
del entorno en un robot móvil es un elemento clave
para la extracción autónoma de mapas del entorno,
la localización en el mismo o la navegación de una
localización a otra.
Proponemos en este trabajo la estimación y el
seguimiento de características topológicas de forma
robusta y estable mediante la utilización de técnicas
de muestreo de la función dedensidad a posteriori,
a partir de la formulación de un modelo probabilístico del sensor y del movimiento del robot. Estas técnicas de muestreo permiten representar una
densidad arbitraria de un espacio paramétrico continuo, frente al filtro de Kalman, que necesariamente se aplica a distribuciones gaussianas, o las
redes bayesianas temporales, en las que es necesario definir un conjunto discreto deestados.
Por último, comprobamos los resultados sobre
lecturas de sonar obtenidas en entornos simulados,
en distintas condiciones de ruido y variabilidad.
Palabras claves: estimación y seguimiento temporal, seguimiento no gaussiano, muestreo de densidad de probabilidad, características geométricas
estables y robustas, robots móviles.

1

Introducción

La obtención de características estables yrobustas
del entorno en un robot móvil es el paso previo
para una posterior extracción autónoma de mapas
del entorno, localización en el mismo o navegación

de una localización a otra [11]. Las características
se suelen extraer del entorno a partir de sensores
de ultrasonidos, elementos estándar de captación
de información en la robótica móvil. Estos sensores se utilizan normalmente en anillos de 12 o
24transductores distribuidos de forma equidistante
alrededor del robot.
La popularidad del sonar se debe fundamentalmente a que se trata de un sensor de muy bajo coste,
su consumo es muy pequeño y el procesamiento
que se realiza a su señal es muy sencillo, haciendo
posible una respuesta casi inmediata y permitiendo
una reacción rápida del robot.
Sin embargo, frente a estas ventajas, el sonar
tienecomo principal inconveniente el elevado nivel
de ruido e incertidumbre presente en sus lecturas,
debido a diversos factores [7].
Existe una amplia colección de trabajos en los
que se proponen métodos para filtrar los resultados
obtenidos por estos sensores y obtener características geométricas elementales [3, 1, 12]. Sin embargo las características obtenidas en todos ellos son
muy locales, comoaristas, esquinas o segmentos, y
esta propia localidad hace que sean muy sensibles
al ruido, poco robustas y poco estables. Esto último
se acentúa en entornos dinámicos y variables, del
tipo en los que suelen evolucionar estos robots.
Frente a este planteamiento local aparece como
alternativa la utilización de enfoques bayesianos en
los que se va acumulando en el tiempo la evidencia
asociada a lacaracterística. Aunque este enfoque
ha sido aplicado con éxito desde los primeros momentos de investigación en el campo de la robóti-

Figura 2: Estimación bayesiana temporal.
a priori p(x) utilizando unos datos z [6]. Aplicando
Figura 1: Características topológicas usadas en el este modelo genérico al problema que tratamos en
el artículo, el vector x representa la parametrización
trabajo: pasillosy finales de pasillo.
de una característica a buscar en el entorno (pasillo,
final de pasillo, etc.) y los datos z representan las
ca móvil [4], es ahora cuando se ha despertado un lecturas del sonar.
gran interés en su uso para aplicaciones de mayor
Para estimar x a partir de z es necesario conoalcance [14, 2, 5, 15, 10]. En esta línea, nues- cer la distribución condicional p(z|x) que mide la...