Menu
Veículos e equipamentos autônomos principalmente na área da robótica, tem se tornado cada vez mais comuns nos últimos anos, seja em aplicações civis ou militares. A autonomia destes equipamentos vem tornando-se mais viável diante da grande evolução tecnológica presente nos mais diversos tipos de sensores e também de técnicas de filtragem e fusão de dados. Esta dissertação de mestrado aborda o estudo das técnicas de filtragem e fusão de dados conhecidas como Filtro de Kalman Estendido e Filtro de Partículas, quando aplicadas aos dados de leitura de dois sensores, o RADAR e o LIDAR, presentes em grande parte dos veículos e equipamentos autônomos. Este trabalho apresenta dados dos sensores antes e depois da aplicação destas técnicas, onde é possível através de demonstrações, simulações e apresentação de resultados, avaliar o ganho quando há a aplicação destas técnicas de filtragem e fusão de dados. Além disso, o estudo destas técnicas permite observar o seu comportamento em relação ao peso computacional dos algoritmos de cada uma, bem como os mensurar os benefícios da sua utilização. O presente trabalho demonstra e concluí que para o cenário e configuração propostos, o Filtro de Kalman Estendido mostrou-se mais eficiente e indicado para a aplicação em questão.
Autonomous vehicles and equipment, mainly in the area of robotics, has become increasingly common in recent years, whether in civil or military applications. The autonomy of these equipments has become more conceivable considering the incredible technological evolution present in the most diverse sorts of sensors and also of techniques for filtering and fusing data. This master’s thesis addresses the study of data filtering and fusion techniques known as the Extended Kalman Filter and Particle Filter, when applied to the reading data of two sensors, RADAR and LIDAR, present in most autonomous vehicles and equipment. This work presents sensors data before and after the application of these techniques, that makes possible through demonstrations, simulations and presentation of results, to evaluate the gain when there is the application of these data filtering and fusion techniques. In addition, the study of these techniques allows to observe their behavior in relation to the computational burden of each algorithms, as well measure the benefits of their use. The present study demonstrates and concluded that for the proposed scenario and configuration, the Extended Kalman Filter was more efficient and indicated for the proposed application.
Data da defesa: 22/12/2020
Banca Examinadora
Orientador (a): Luiz Felipe Ribeiro Barrozo Toledo (Lactec)
Membro da Banca: Henry Leonardo Lopez Salamanca (Lactec)
Membro da Banca: Ana Paula Oening (Lactec)
Membro da Banca: André Eugênio Lazzaretti (UFPR)
Palavra(s)-Chave: Sensores; Kalman; Partículas; filtragem; fusão.
Keywords: Sensors; Kalman; Particle; filtration; fusion.
