This thesis presents the implementation of a localization system for mobile robots based on a particle filter, designed for a mobile robot equipped with LiDAR sensors and wheel odometry. The primary goal of this thesis is to achieve robust and accurate localization in complex and potentially dynamic environments. The particle filter is employed for its effectiveness in handling multimodal and non-Gaussian probability distributions, which are typical in real-world scenarios. The proposed system integrates LiDAR data for environmental perception and wheel odometry for motion prediction, combining these information sources to improve localization accuracy. The particle filter estimates the robot's pose (2D position and orientation) by managing a set of particles, each representing a hypothesis of the pose. The more likely a region is, the denser the particle distribution in that area. The particles are weighted by integrating LiDAR data, allowing for resampling and thus refining the localization over time. The system has been implemented in C++ and tested on public datasets. The experimental results demonstrate the system’s ability to provide accurate and robust localization.
Questa tesi presenta l'implementazione di un sistema di localizzazione per robot mobili basato su un filtro particellare (particle filter), progettato per un robot mobile dotato di sensori LiDAR e di odometria delle ruote. L'obiettivo primario di questa tesi è ottenere una localizzazione robusta e accurata in ambienti complessi e possibilmente dinamici. Il filtro particellare viene utilizzato per la sua efficacia nel gestire distribuzioni di probabilità multimodali e non gaussiane tipiche del mondo reale. Il sistema proposto integra i dati LiDAR per la percezione dell'ambiente e l'odometria delle ruote per la predizione del movimento, combinando queste fonti di informazione per migliorare l'accuratezza della localizzazione. Il particle filter stima la posa (posizione 2D ed orientazione) del robot gestendo un insieme di particelle, ognuna della quali rappresenta un'ipotesi di posa. Più probabile una regione, maggiore è la densità di particelle in tale regione. Le particelle vengono pesate integrando i dati LiDAR per permetterne il ricampionamento, affinando così la localizzazione nel tempo. Il sistema è stato implementato in C++ e testato su dataset pubblici. I risultati sperimentali ottenuti dimostrano la capacità del sistema di fornire una localizzazione accurata e robusta.
Un sistema di navigazione probabilistico per robot mobili autonomi
MARIN, PAUL
2023/2024
Abstract
This thesis presents the implementation of a localization system for mobile robots based on a particle filter, designed for a mobile robot equipped with LiDAR sensors and wheel odometry. The primary goal of this thesis is to achieve robust and accurate localization in complex and potentially dynamic environments. The particle filter is employed for its effectiveness in handling multimodal and non-Gaussian probability distributions, which are typical in real-world scenarios. The proposed system integrates LiDAR data for environmental perception and wheel odometry for motion prediction, combining these information sources to improve localization accuracy. The particle filter estimates the robot's pose (2D position and orientation) by managing a set of particles, each representing a hypothesis of the pose. The more likely a region is, the denser the particle distribution in that area. The particles are weighted by integrating LiDAR data, allowing for resampling and thus refining the localization over time. The system has been implemented in C++ and tested on public datasets. The experimental results demonstrate the system’s ability to provide accurate and robust localization.File | Dimensione | Formato | |
---|---|---|---|
Marin_Paul.pdf
accesso aperto
Dimensione
3.37 MB
Formato
Adobe PDF
|
3.37 MB | Adobe PDF | Visualizza/Apri |
The text of this website © Università degli studi di Padova. Full Text are published under a non-exclusive license. Metadata are under a CC0 License
https://hdl.handle.net/20.500.12608/71626