Autor: Moysés De Oliveira Neto
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.
DESCRIÇÃO COMPLETA:
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.
*Download seguro, baixe o arquivo em .pdf ou visualize diretamente no seu navegador.
