Exploração de ambientes desconhecidos com Clusters Robóticos

Abstract

Um dos problemas fundamentais de robótica móvel é a navegação, sendo este ainda mais acentuado quando o ambiente é desconhecido. Nesse âmbito foram implementados vários algoritmos entre quais a família de algoritmos de Simultaneous Localization And Mapping (SLAM). A presente dissertação descreve o desenvolvimento de um estudo sobre a aplicação de uma versão distribuída em cluster do algoritmo de SLAM GMapping, para explorar ambientes desconhecidos, numa configuração multirobot sem uso de computação externa ao sistema, continuando a explorar a ideia de “Robotic Clusters desenvolvida no Laboratório de Sistemas Embebidos (LSE). Foi desenvolvido um package em C/C++ para a plataforma Robot Operating System (ROS) e aplicado a um ambiente multirobot. Foi escolhido o algoritmo Grid Mapping (GMapping) por ser grid based, podendo assim funcionar em qualquer ambiente, e por ser mais facilmente adaptado a um ambiente em cluster. Numa primeira fase obteve-se um maior conhecimento sobre os conceitos de robótica móvel implementando uma plataforma móvel de raiz. Seguidamente passou-se a utilizar a plataforma Roomba. Testaram-se os algoritmos de localização Adaptive Monte Carlo Localization (AMCL) (com mapa conhecido) e GMapping (SLAM), utilizando Laser Range Finders e um Kinect como sensores, medindo o desempenho do sistema. Numa segunda fase implementaram-se duas arquitecturas em cluster do algoritmo GMapping. Na primeira abordagem tentou-se manter o sistema "stateless" para não haver dependência entre o cliente (robot a correr o algoritmo) e os "remote workers" (computadores/robots a correr parte do algoritmo). Devido aos resultados obtidos com datasets maiores implementou-se uma arquitectura que tentasse reduzir a comunicação, tendo que manter um estado global no sistema. A primeira abordagem produziu inicialmente bons resultados, obtendo-se um speedup de 1,32 sobre a versão linear do algoritmo, permitindo assim a um Eee PC 901 (Intel R AtomTM N270) correr o algoritmo em conjunto com um computador de apoio (Intel R CoreTM 2 Duo T9300), obtendo um mapa correcto. Contudo com Datasets maiores esta abordagem chegou rapidamente ao seu limite, o tempo de serialização dos mapas era superior ao tempo ganho pela distribuição. A segunda abordagem obteve bons resultados, mesmo em mapas maiores, resultando daí um speedup de 1,81 com um Remote Worker com 50% das partículas, usando o Dataset do Killian Court do Massachusetts Institute of Technology. Esta abordagem revelou-se menos limitada por haver menor troca de dados, podendo unicamente haver necessidade de serialização de mais dados na fase de Resampling, consoante a distribuição escolhida das partículas pelos computadores.