Control de un vehículo autónomo en un entorno limitado
Abstract
El proyecto explica la estructura general de un vehículo capaz de navegar autónomamente en una doble dimensión: el hardware necesario para poder monitorizar el movimiento del vehículo y actuar sobre él durante la navegación autónoma; y el software capaz de utilizar la información proporcionada por esos sensores para tomar decisiones inteligentes acerca de lo que debe hacer el vehículo y enviar los mandos correspondientes a los actuadores.
En particular, se explica cómo se incorpora un sensor complejo capaz de realizar tareas de mapeo como es un LIDAR tanto a nivel hardware como a nivel software. Se describe el desarrollo de un driver de una familiar de LIDARes en concreto, RPLIDAR de SLAMTEC, para Matlab y Simulink, y posteriormente se somete a pruebas en diferentes entornos a uno de estos sensores (RPLIDAR A2M4) utilizando este driver.
En la incorporación del LIDAR al software se explica el desarrollo de las ecuaciones geométricas que relacionan las medidas del LIDAR en distintos instantes con los movimientos del vehículo, y se describe como, ante la imposibilidad de integrar dichas ecuaciones directamente en un filtro extendido de Kalman, se realiza un preprocesado de las medidas mediante una estimación de las variables de estado del vehículo empleando una regresión por mínimos cuadrados. Por último, se explica que esta estimación funciona únicamente en un caso no realista en el que el movimiento del vehículo durante la toma de las medidas es casi nulo, y se desarrolla una corrección utilizando los valores estimados del filtro extendido de Kalman de las medidas del LIDAR, de forma que se corrige el error asociado al desplazamiento del vehículo. Se muestran resultados de una comparación de las estimaciones en ambos casos: sin aplicar corrección del error y aplicando corrección dinámica del error. This senior thesis describes the structure of a vehicle capable of performing autonomous navigation in two aspects: the embedded hardware necessary to monitor accurately the vehicle movements and to act on the vehicle consequently during the autonomous navigation tasks; and the software capable of processing the data recorded by the sensors, making smart decisions about what the vehicle should do, and calculate the required control value sent to the actuators.
It is also explained the incorporation of a complex mapping sensor such as a LIDAR in both the hardware and the software. It is described the deelopment of a driver to use a specifical family of LIDAR's, SLAMTEC's RPLIDAR, for their use in Matlab and Simulink. Afterwards, one of these sensors (RPLIDAR A2M4) is tested in various environments using this driver.
Regarding the incorporation of the LIDAR to the software, it is explained the mathematical problem of the geometric equations that relate the measurements of the sensor in different times with the vehicle movements. It is described that incorporating these equations directly to an extended Kalman filter is unfeasible due to an enormous increase of the computational load. To solve this problem, a preprocessing of the LIDAR measurements is done. This preprocessing consists of an independent state variables estimation by using a least squares regression. Finally, it is explained that this estimation is accurate only in the unrealistic case in which the vehicle movement is negligible, and it is developed an algorithm to correct the error introduced by the vehicle movement using the estimations of the extended Kalman filter to estimate individually each LIDAR measurement. Results are shown for position estimations in both cases: without the error correction and with the dynamical error correction.