Un Nuevo Método Cooperativo Para Encontrar Personas En Un Entorno Urbano Con Robots Móviles

Alex Goldhoorn, Anaís Garrell, René Alquézar and Alberto Sanfeliu

Jornadas de Automática 2016

Abstract— En este trabajo se presenta un nuevo método para localizar a personas en entornos urbanos usando robots sociales móviles cooperativos, que supera las limitaciones de enfoques ya existentes, los cuales se adaptan a entornos específicos, o se basan en comportamientos humanos pocos realistas. Con este método cooperativo los robots pueden encontrar a personas fuera del campo de rango de sensores u ocultados por obstáculos dinámicos o estáticos. Nuestro enfoque incluye la búsqueda de personas, seguimiento, cooperación multi-robot y comunicación. En particular se define un "Cooperative Highest-Belief Continuous Real-time POMCP" que puede ejecutarse en tiempo real y en entornos continuos y grandes. En este método se usan algoritmos de búsqueda online Partially Observable Monte-Carlo Planning (POMCP), los cuales, al contrario de trabajos anteriores son capaces de planificar con incertidumbre y con grandes espacios de estados. La estrategia de búsqueda hace un balanceo entre la probabilidad de que la persona esté en una posición concreta, la distancia a las posiciones, y si la posición está cerca de una meta ya asignada a otro robot. La validación del método se ha llevado a cabo a través de un conjunto extensivo de simulaciones y experimentos reales con una persona y dos robots.

En este página se muestran vídeos de los experimentos usando el algoritmo Cooperative HB-CR-POMCP para buscar y seguir personas. Como explicado en el artículo, el robot tiene que buscar y seguir a una persona. El robot reconoce a la persona por el AR Markers. En los vídeos se muestran tres áreas:

• Vídeo: el escenario.
• Mapa: mapa como mostrado en ROS rviz con:
  • Dabo: azul;
  • Tibi: naranja;
  • Obstáculos: negro y gris oscuro;
  • Detección de láser: lineas/puntos azules/naranjas (de Dabo y Tibi respectivamente);
  • Camino: lineas/puntos azules/naranjas indican el camino ya hecho por el robot.
  • Detección de personas:
    • Detección de piernas: mostrado como puntos azules/naranjas;
    • Última posición detectado: cilindro rojo, esto es la combinación de detección de piernas y del AR Marker.
• Mapa de Belief: muestra el belief (probabilidad de que esté la persona) del robot, de Tibi arriba a la derecha, y de Dabo abajo a la derecha, con:
  • Robot: el circulo azul grande;
  • Otro robot: el circulo azul pequeño;
  • Posición de la persona detectada: circulo rojo grande;
  • Posición de la persona detectado por otro robot: circulo rojo pequeño;
  • Obstaculos: rectángulos negros;
  • Matriz de probabilidad: la probabilidad que la persona esté en una posición, indicado con colores: azul claro es probabilidad 0 y de blanco a rojo es de poco a mucho (1).

---

The videos:

• Búsqueda: Los robots buscan cooperativamente a la persona.
  
  
  
  
  
• Seguimiento de la persona en el lab FME: Los robots siguen a la persona sin problemas, y aunque la persona debería estar visible, no lo es por las detecciones falsas negativas. En este caso, se puede usar la detección del otro robot, y si no el belief. En algunos casos los robots tienen dificultad de navegar por sus dimensiones y el poco espacio.
  
  
  
  
  
• Búsqueda difícil En este ejemplo la persona se esconda muy bien y el robot no le encuentra, por eso va a la otra posición posible. Sin embargo, después de haber explorado la segunda posición, el robot vuelve al primer sitio para encontrar a la persona.
  
  
  

Si no puedes ver los vídeos completos pueden hacer click con el botón derecho y elegir la opción Copiar URL y entonces verlo con otro visualizador (por ejemplo VLC) o con otro navegador.