FILTRAGEM ROBUSTA PARA NAVEGAÇÃO INERCIAL

Roberto Santos Inoue∗, Marco Henrique Terra∗, Adriano A.G. Siqueira†, Jean Mimar
Santa Cruz Yabarrena∗
∗
Universidade de São Paulo - Departamento de Engenharia Elétrica
C.P.359 - CEP 13560-970
São Carlos, SP, Brasil
†
Universidade de São Paulo - Departamento de Engenharia Mecânica
C.P.359 - CEP 13560-970
São Carlos, SP, Brasil

Emails: rsinoue@sel.eesc.usp.br, terra@sc.usp.br, siqueira@sc.usp.br,

jeanmimar@gmail.com

Abstract— This paper deals with the application of robust state-space estimation of an inertial navigation
system (which comprehends attitude, velocity, position and biases). This system is developed through the
fusion of magnetometers, rate gyros, acelerometers and a receptor GPS (global positioning system). In order to
eleminate the attitude estimation singularities, the rigidy body orientation is modeled through the quaternion.
Results based on actual measures are presented to show the effectiveness of the approach we are proposing.

Keywords— Kalman Filter, Robust Filtering, Inertial Navigation.

Resumo— Este artigo estuda a aplicação de filtragem robusta em um sistema de navegação inercial completo
(atitude, velocidade, posição e biases). O sistema de navegação inercial será desenvolvido através da fusão
de magnetômetros, giroscópios, acelerômetros e de um receptor GPS (sistema global de posicionamento). Para
eliminar os problemas de singularidades na estimativa da atitude, a orientação do corpo rı́gido é modelada através
de um quatérnio. Resultados baseados em medidas reais são apresentados para mostrar a eficiência do método
proposto.

Palavras-chave— Filtro de Kalman, Filtragem Robusta, Navegação Inercial.

1 Introdução têm sido aplicadas em problemas práticos e os re-

O desenvolvimento de sistemas de referência de
atitude, proa, e posição são essenciais para o con-
trole e navegação de robôs móveis e veı́culos aé-
reos não-tripulados. O desenvolvimento de sen-
sores inerciais MEMS (sensores microeletromecâ-
nicos, do inglês micro-electromechanical sensors)
de baixo custo, tem possibilitado a utilização de
magnetômetros, giroscópios, acelerômetros basea-
dos em tecnologia MEMS e receptores GPS em sis-
temas de navegação inerciais completos, com me-
didas de atitude, velocidade, posição e biases, veja
para maiores detalhes (Jung and Tsiotras, 2007).
O filtro de Kalman estendido tem sido utili-
zado para a fusão de dados de sensores para siste-
mas de navegação inercial, veja por exemplo Farrel
and Barth (1998), Roumeliotis et al. (1998), Ro-
gers (2003), Castellanos et al. (2005) e Bijker and
Steyn (2008). Porém, há várias fontes de incerte-
zas que influem no sistema de navegação inercial,
elas incluem por exemplo imprecisão dos sensores,
alterações do ambiente externo tais como tempe-
ratura e rajadas de vento. Portanto, é interes-
sante investigar o uso da estimativa robusta em
navegação inercial. Em Sayed (2001), Ishihara
et al. (2006) e Ishihara and Terra (2008), foram
desenvolvidos métodos para estimativa no espaço
de estado para quando os parâmetros do modelo
linear estão sujeitos a incertezas. Essas técnicas
sultados obtidos têm sido promissores. Por exem-
plo, os filtros robustos propostos em Sayed (2001)
foram utilizados em Dominguez et al. (2006) para
estimar o acompanhamento de trajetória da ponta
de um dedo em interfaces homem máquina.
Levando em conta os resultados mencionados,
este artigo propõe a utilização da abordagem pro-
posta em (Sayed, 2001) para resolver o problema
de estimativa robusta de um sistema de referência
de atitude, proa e posição. Resultados baseados
em dados experimentais e um estudo comparativo
entre o filtro robusto considerado e o filtro de Kal-
man estendido (EKF, do inglês Extended Kalman
Filter ) serão apresentados para a validação da es-
tratégia proposta.
Este artigo está organizado da seguinte forma:
Na Seção 2 é apresentado o sistema de referência
de atitude e proa utilizando quatérnio para repre-
sentar a atitude de um corpo rı́gido. Na Seção 3
é apresentado o sistema de referência de posição.
Na Seção 4 é apresentado o filtro robusto conside-
rado. Na Seção 5 são apresentados os resultados
do estudo comparativo proposto. E na Seção 6 é
apresentada a conclusão do artigo.
2 Sistema de referência de atitude e proa
Nessa seção, quatérnios (Kuipers, 1998) são utili-
zados para obter uma representação de atitude de
um corpo rı́gido livre de singularidades. O qua- Utilizando o erro do processo (Brown and
térnio por convenção é representado por Hwang, 1997) para escrever o bias bg , tem-se
α α 1
q = cos + sen r, tal que q ∈ T, (1) ḃg = − bg + ηbg , (10)
2 2 τ
sendo r um vetor unitário, conhecido como eixo ˙
b̂g = 0, (11)
de Euler, α uma rotação sobre este eixo e T =
{q | q T q = 1, q = [q0 q T ]T , q0 ∈ R, q ∈ R3×1 }. sendo ηbg o ruı́do branco gaussiano do bias do
A multiplicação de quatérnios, representada por giroscópio e τ a constante de tempo obtida através
⊗, é dada por do gráfico da variância de Allan (IEEE, 1997).
  Substituindo (8) em (6), obtém-se
a0 b0 − a · b
a⊗b= . (2)
a0 b + b0 a + a × b 1 1
q̇ =Ξ(q)(ωg − bg ) − Ξ(q)ηg (12)
2 2
Para o problema de atitude, o quatérnio repre- 1 1
senta uma rotação do sistema de coordenadas iner- = Ω(ω̂)q − Ξ(q)ηg . (13)
2 2
cial, I, para o sistema de coordenadas do corpo,
B. Se s é um vetor expresso no sistema de coor- Combinando as equações (13) e (10), e definindo
denadas inercial I, então suas coordenadas em B o estado como x1 = [q T bTg ]T ∈ R7×1 , obtém-se
são
ẋ1 = F1 x1 + G1 η1 , (14)
b = q ⊗ s ⊗ q −1 , (3)
sendo
sendo b = [0 bT ]T , s = [0 sT ]T e q −1 =  1

[q0 , −q T ]T . Assim, pode-se escrever (3) como F1 = 2 Ω(ω̂)
04×3
,
− τ1 I3×3
03×4
 1
b = R(q)s, (4)
  
− 2 Ξ(q) 04×3 ηg
G1 = e η1 = . (15)
03×3 I3×3 ηbg
sendo R(q) a matriz de rotação dos ângulos de Eu-
ler (ψ, θ, φ), com convenção (zyx), definida como A equação de medida é dada por

R(q) = (q02 − q T q)I3×3 + 2(qq T − q0 [q × ]). (5) z1 = h1 (x1 ) + v1 , (16)

A derivada do quatérnio pode ser escrita ma- sendo h1 (x1 ) = [aT ψ]T ∈ R4×1 , v1 processo
tricialmente como gaussiano de média zero, a ∈ R3×1 a medida da
1

0

1 1 aceleração no eixo do corpo do veı́culo e ψ o ângulo
q̇ = q ⊗ = Ω(ω)q = Ξ(q)ω, (6) de proa magnético, gerado pelos magnetômetros.
2 ω 2 2
A medida da aceleração é dada por
sendo  
2g(q1 q3 − q0 q2 )
−ω T −q T
   
0 a = R(q)g =  2g(q2 q3 + q0 q1 )  , (17)
Ω(ω) = , Ξ(q) = ,
ω −[ω × ] I3×3 q0 + [q × ] g(q02 − q12 − q22 + q32 )

ω o vetor velocidade angular no sistema de co- sendo g = [0 0 g]T e g =-9.81 m/s2 . O ângulo
ordenadas fixo do corpo, [ω × ] e [q × ] as matrizes de proa por
representativas do produto vetorial  
2(q1 q2 + q0 q3 )

0 −E3 E2
 ψ = tan−1 . (18)
q02 + q12 − q22 − q32
E × =  E3 0 −E1  (7)
−E2 E1 0 Linearizando (16) em torno de x1 , tem-se

e I3×3 a matriz identidade no R3×3 . ∂z1

As velocidades angular real ω e estimada
ω̂ são modeladas da seguinte forma (Castellanos
et al., 2005; Roumeliotis et al., 1998)
ω = ωg − bg − ηg ,
ω̂ = ωg − b̂g ,
sendo ωg a velocidade angular medida do giroscó-
pio, bg o bias do giroscópio e ηg o ruı́do branco
gaussiano do bias do giroscópio.
z1 = H1 x1 + v1 , com H1 = . (19)
∂x1
3 Sistema de referência de posição
(8) Conforme mostrado em (Farrel and Barth, 1998),
(9) se as velocidades no sistema de coordenadas NED
(North, East e Down), υ = [υN υE υD ]T são
conhecidas e as posições geodéticas no sistema de
coordenadas LLA (latitude, longitude e altitude),
p = [λ φ h]T são as desejadas, então o vetor
de variação geodética LLA é relacionado com a Substitiuindo (26 ) em (23) e em seguida em
velocidade NED da seguinte forma (28), tem-se
  1
0 0
  
λ̇
 
Rλ +h υN υ̇N
 φ̇  =  0 1  υ̇E  = RT (q)[aa − ba − ηa ]
(Rφ +h)cosλ 0   υE  ,
ḣ 0 0 −1 υD υ̇D
(20) υ 2 senλ
 
υN υD

0
 − (RφE+h)cosλ + R λ +h
sendo Rλ o raio de curvatura no meridiano em
 υE υN senλ υE υD

− 0 +  (Rφ +h)cosλ + (R φ+h )
.
uma latitude dada, g υE2
υN2

− Rφ +h − Rλ +h
a(1 − e2 )
R̂λ = , (21) (29)
(1 − e2 sen2 λ)1.5
Define-se o estado do sistema dinâmico como
R̂φ o raio transversal da curvatura, x2 = [pT T
υN bTa ]T ∈ R9×1 , η2 =
ED
a T T T
[ηa ηba ] ∈ R 6×1
como o ruı́do branco gaussi-
Rφ = , (22)
(1 − e sen2 λ)0.5
2 ano e a equação de medida observável do GPS
a = 6378137.0 m o raio equatorial, e e = 0.0818 a como z2 = h2 (x2 ) + v2 ∈ R6×1 , sendo h2 (x) =
excentricidade. [pT υN T T
ED ] , v2 o processo gaussiano de média
Como os acelerômetros MEMS medem a di- zero. Linearizando (20), (29) e (26) em torno de
nâmica da aceleração combinada com a aceleração x2 , tem-se a dinâmica linearizada
estática (gravidade da terra), a gravidade deve ser ẋ2 = F2 x2 + G2 η2 ,
removida antes da aceleração ser integrada para (30)
z2 = H2 x2 + v2 ,
obter a velocidade. Assim a equação da acelera-
ção NED é sendo
   
aN F11 F12 03×3
aN ED =  aE  = RT (q)a (23) F2 =  F21 F22 −RT (q)  ,
aD 03×3 03×3 − τ1 I3×3
 
sendo a as medidas dos acelerômetros no sistema 03×3 03×3
G2 =  −RT (q) 03×3  , H2 = I6×6
 
de coordenada do corpo rı́gido, g = −9.81 m/s2 06×3 .
a gravidade e R(q) a matriz de cossenos direto- 03×3 I3×3
res em termo do quatérnio q entre o sistema de
e F11 , F12 , F21 e F22 como mostrado em (31).
coordenada NED e do corpo rı́gido B.
A aceleração do corpo rı́gido a e a estimada
â são modeladas da seguinte forma 4 Filtro robusto

a = aa − ba − ηa , (24) Há várias fonte de incertezas que influem na lo-

â = aa − b̂a , (25) calização e determinação da atitude, elas incluem
imprecisão dos sensores, alterações do ambiente
sendo aa a aceleração medida do acelerômetro, ba externo tais como temperatura e rajadas de vento.
o bias do acelerômetro e ηa o ruı́do branco gaus- Estas incertezas violam a premissa central da for-
siano. mulação do filtro de Kalman, na qual os parâme-
Utilizando o erro do processo (Brown and tros fundamentais do modelo {Φ, G, H, R, Q} são
Hwang, 1997) para escrever o bias ba , tem-se precisos, sendo Φ = eFk T ≃ I + Fk T a matriz
1 de transição de estado. Quando esta suposição é
ḃa = − ba + ηba , (26) violada, o desempenho do filtro pode deteriorar
τ
˙ apreciavelmente.
b̂a = 0, (27)
Um maneira de modelar essas incertezas é
sendo τ a constante de tempo obtida através do considerar os parâmetros {Φ, G} como valores no-
gráfico da variância de Allan (IEEE, 1997) e ηba o minais e assumir que os valores reais variam em
ruı́do branco gaussiano do bias do acelerômetro. um certo conjunto cujos valores centrais são for-
A equação da variação da velocidade NED mados pelos parâmetros nominais. Assim, con-
como mostrado em (Farrel and Barth, 1998) é forme mostrado em (Sayed, 2001) e utilizado em
      (Inoue et al., 2008), considere o sistema de incer-
υ̇N aN 0
 υ̇E  =  aE  −  0  tezas da forma
υ̇D aD g xk+1 = (Φk + δΦk )xk + (Gk + δGk )ηk ,
(32)
2
zk = Hk xk + vk ,
 
υE senλ υN υD
− (Rφ +h)cosλ + R λ +h
 υE υN senλ υE υD

+ + (R . (28) e suas pertubações modeladas como
 (Rφ +h)cosλ
2 2
φ+h ) 
υE υN
− Rφ +h − Rλ +h [δΦk δGk ] = M ∆k [Ef Eg ], (33)
 − (R υ+h)
 
0 0 N  −1 
λ
2 (Rλ + h) 0 0
υE sin λ υE −1
F11 =  0 − , F = 0 ((Rφ + h) cos λ) 0 ,
 
12

(Rφ +h)(cos λ)2 (Rφ +h)2 cos λ 
0 0 0 0 0 −1
2 2 2 2
υ (sin λ)
 
υE sin λ
− RυφE+h − (R E+h)(cos λ)2 0 2
(Rφ +h) cos λ
− υN υD
(Rλ +h) 2
φ
υE υN (sin λ)2
 υE υN υE υN sin λ υE υD

F21 = 
 Rφ +h + (Rφ +h)(cos λ) 2 0 − 2
(Rφ +h) cos λ
− (Rφ +h)2 
 e
2 2
υE
0 0 (Rφ +h)2
+ (RυN+h)2
λ
υD υE sin λ υN
 
Rλ +h −2 (Rφ +h) cos λ Rλ +h
υE sin λ υN sin λ υD υE
F22 =  (Rφ +h) cos λ + Rφ +h Rφ +h  , (31)
 
(Rφ +h) cos λ
−2 υ+h N
−2 RυφE+h 0

os ruı́dos dados por ηk = N (0, Qk ) e vk = x̂k+1|k = Φ̂k x̂k|k

N (0, Rk ).
O modelo (33) permite o projetista restrin-
gir as fontes de distorção selecionando as entradas
{Ef Eg } apropriadamente (Sayed, 2001).
Este filtro robusto procura minimizar o erro
de estimativa para o pior caso possı́vel criado pela
faixa de incertezas δΦk e δGk . As estimativas
{x̂k+1|k , x̂k+1|k+1 } no algoritmo que segue, podem
ser obtidas por iterações recursivas entre os passos
2 e 3. Para o caso quando λ̂i = 0, os passos 2 e 3
são reduzidos para o tempo padrão e para as equa-
ções de atualização de medida do filtro de Kalman.
O algoritmo do filtro robusto é dado abaixo:
Modelo de Incertezas:
Sistema (32 ). Π0 > 0, R > 0, Q > 0 são
matrizes de ponderações.
Pk+1|k = Φk P̂k|k ΦTk + Ĝk Q̂k Ĝk ,
Kk+1 = Pk+1|k Hk+1T T
[Hk+1 Pk+1|k Hk+1 + R̂k+1 ]−1
x̂k+1|k+1 = x̂k+1|k + Kk+1 [zk+1 − h(x̂k+1|k )]
Pk+1|k+1 = [I − Kk+1 Hk+1 Pk+1|k ]
⋄
5 Resultados
Para a obtenção dos resultados foi utilizando o
sensor MNAV100CA, mostrado na Fig. 1. O pa-
cote de sensores embarcados do MNAV100CA in-
clui acelerômetros em 3 eixos, sensor de taxa an-
gular em 3 eixos e magnetômetros em 3 eixos e
um receptor GPS.

Condições Iniciais:
x̂i0|0 = Pi0|0 HiT0 Ri−1
0
zi0
−1 T −1
Pi0|0 = (Πi0 + Hi0 Ri0 Hi0 )−1 .

Passo 1:
Se Hk+1 Mk = 0, então configure λ̂k = 0 Figura 1: MNAV - http://www.xbow.com.
(filtro não robusto). Caso contrário, seleci-
one α (tipicamente O ângulo de proa é obtido através dos mag-
T0 ≤T αf −1
≤ 1) e configure
netômetros em 3 eixos, m = [mx my mz ]T ,

λ̂k = (1 + αf ) · Mk Hk+1 Rk+1 Hk+1 Mk .

utilizando o seguinte algoritmo
Passo 2:
π
− tan−1 ( m
my ) se my > 0
 x
Substitua {Qk , Rk , Pk|k , Gk , Φk } por:  2
−1 mx
 π
π + 2 − tan ( my ) se my < 0

Q̂−1 −1 T T −1 ψ=
k = Qk + λ̂k Egk [I + λ̂k Efk Pk|k Efk ] Eg k π
se my = 0 e mx < 0
2


R̂k+1 = Rk − λ̂−1

T T
k Hk+1 Mk Mk Hk+1
0 se my = 0 e mx > 0
−1
P̂k|k = (Pk|k T
+ λ̂k Ef,k Ef,k )−1 ⋄

= Pk|k − Pk|k EfTk (λ̂−1 T −1 Os dados de saı́da do sensor MNAV100CA são

k I + Efk Pk|k Efk ) ·
obtidos no formato digital (RS-232) a uma taxa
· Efk Pk|k de 25 Hz. E os algoritmos dos filtros foram ro-
Ĝk = Gk − λ̂k Φk P̂k|k EfTk Egk dados em MATLAB a uma taxa de amostragem
T T T = 0.04 s e τ = 67.36 s para o filtro de Kalman
Φ̂k = (Φk−λ̂k Ĝk Q̂ik Egk Efk )(I−λ̂k P̂k|k Efk Efk )
estendido (Brown and Hwang, 1997) e para o filtro
robusto (Sayed, 2001).
Passo 3: As matrizes de ponderações, Q e R são coin-
Atualize {x̂k|k , Pk|k } como segue: cidentes para o EKF e o filtro robusto e foram
configuradas com os mesmos valores. As matri-
zes de ponderações especı́ficas do filtro robusto,
M, Ef , Eg , foram selecionadas conforme variância
das matrizes Φ e G, sendo o parâmetro αf configu-
rado com o valor 0.5. As Figuras 2 a 5 apresentam
os resultados obtidos.
5.1 Estudo comparativo
Um estudo comparativo entre o EKF e o filtro
Robusto é mostrado na Tabela 1. A norma L2
do vetor do erro de observação foi utilizada para
comparar os algoritmos:
2
Ztr

1 modal wearable computer interfacing, IEEE
2
L2 [z̃(t)] =  kz̃(t)k2 dt ,
(tr − t0 )
t0
sendo k · k2 a norma Euclideana, z̃(t) o vetor de
erro da observação total, z̃1 (t) o erro de obser-
vação da atitude e z̃2 (t) o erro de observação de
posição e o tempo do experimento é tr = 280 s.
Algoritmos L2 [z̃(t)] L2 [z̃1 (t)] L2 [z̃2 (t)]
FKE 0.6260 0.5190 0.1070
FR 0.5414 0.4897 0.0516
Melhoria (%) 13.527 5.6392 51.761
Tabela 1: Estudo Comparativo
Observe que o filtro robusto obteve uma me-
lhora de 13.5 % no erro de observação total, 5.6 %
no erro de observação da atitude e 51.8 % no erro
de observação da posição sobre o filtro de Kalman
estendido.
6 Conclusão
Nesse artigo, um filtro robusto para o sistema de
referência de atitude, proa e posição comumente
utilizados no controle e navegação de robôs mó-
veis e veı́culos aéreos não-tripulados, foi desenvol-
vido. Esse filtro minimiza os efeitos das incer-
teza do modelo na estimativa dos valores de ati-
tude, proa e posição. O filtro proposto foi imple-
mentado utilizando dados experimentais do sen-
sor MNAV100CA. Um estudo comparativo mos-
trou que o filtro robusto apresentou uma melhora
média de 13.5 % sobre o filtro de Kalman esten-
dido no erro de observação total, atitude e posi-
ção, para o caso apresentado neste artigo. Para
trabalhos futuros pretende-se implementar os al-
goritmos propostos em um microprocessador para
ser embarcado em um veı́culo aéreo não-tripulado
ou em um robô móvel.
Referências
Bijker, J. and Steyn, W. (2008). Kalman filter
configurations for a low-cost loosely integra-
ted inertial navigation system on an airship,
Control Engineering Practice 16: 1509–1518.
Brown, R. G. and Hwang, P. Y. C. (1997). In-
troduction to random signal and applied Kal-
man filtering: with Matlab exercises and so-
lutions, 3rd edn, John Wiley & Sons, New
York , USA.
Castellanos, J. F. G., Lesecq, S. and Marchand, N.
(2005). A low-cost air data attitude heading
reference system for the tourism airplane ap-
plications, IEEE Sensors, Irvine, CA, USA,
p. 4.
Dominguez, S. M., Keaton, T. and Sayed, A. H.
(2006). A robust tracking method for multi-
Transactions on Multimedia 8(5): 956–972.
Farrel, J. and Barth, M. (1998). The global
positioning system and inertial navigation,
McGraw-Hill.
IEEE (1997). Guide and test procedure for single
axis interferometric fiber optic gyros, IEEE
Std 952-1997 .
Inoue, R. S., Terra, M. H. and Jr, V. G.
(2008). Robust state-space estimation for
mobile robot localization, LARS ’08. IEEE
Latin American Robotic Symposium, Salva-
dor, Brazil, pp. 85–90.
Ishihara, J. Y. and Terra, M. H. (2008). Robust
state prediction for descriptor systems, Au-
tomatica 44(8): 2185 – 2190.
Ishihara, J. Y., Terra, M. H. and Campos, J. C. T.
(2006). Robust Kalman filter for descrip-
tor systems, IEEE Transaction on Automatic
Control 51(8): 1354–1358.
Jung, D. and Tsiotras, P. (2007). Inertial atti-
tude and position reference system develop-
ment for a small UAV, American Institute of
Aeronautics and Astronautics, Rohnert Park,
California.
Kuipers, J. B. (1998). Quaternions and rotation
sequences, Pricenton University Press, Prin-
centon, New Jersey.
Rogers, R. M. (2003). Applied mathematics in in-
tegrated navigation systems, 2nd edn, AIAA
education series, Reston, VA.
Roumeliotis, S. I., Sukhatme, G. S. and Bekey,
G. A. (1998). Smoother based 3d attitude
estimation for mobile robot localization, Te-
chnical report, USC, http://iris.usc.edu/.
Sayed, A. H. (2001). A framework for state-space
estimation with uncertain models, IEEE
Transaction on Automatic Control 46: 998–
1013.
 80 10 15
Filtro de Kalman Filtro de Kalman Filtro de Kalman
60 10
5
40
5
20 0
0
0

θ (graus)

φ (graus)
ψ (graus)

−20 −5 −5

−40 −10
−10
−60
−15
−80
−15
−20
−100

−120 −20 −25

0 50 100 150 200 250 0 50 100 150 200 250 0 50 100 150 200 250
Tempo (s) Tempo (s) Tempo (s)

(a) (b) (c)

Figura 2: Estimação da atitude com o EKF: (a) Guinada ψ, (b) Arfagem θ e (c) Rolagem φ
80 15 20
Filtro Robusto Filtro Robusto Filtro Robusto
60 15
10
40
10
5
20
5
0
θ (graus)

φ (graus)
0
ψ (graus)

−20 0
−5
−40 −5
−60 −10
−10
−80
−15 −15
−100

−120 −20 −20

0 50 100 150 200 250 0 50 100 150 200 250 0 50 100 150 200 250
Tempo (s) Tempo (s) Tempo (s)

(a) (b) (c)

Figura 3: Estimação da atitude com o filtro Robusto: (a) Guinada ψ, (b) Arfagem θ e (c) Rolagem φ
14.5
−21.994 −47.897 GPS
GPS GPS
Filtro de Kalman
Filtro de Kalman Filtro de Kalman 14.4
−21.996 −47.8975 Filtro Robusto
Filtro Robusto Filtro Robusto

−47.898 14.3
−21.998
Longitude (graus)
Latitude (graus)

Altitude (m)

−47.8985
−22 14.2
−47.899
−22.002 14.1
−47.8995
−22.004 14
−47.9

−22.006 13.9
−47.9005

−22.008 −47.901 13.8

0 50 100 150 200 250 0 50 100 150 200 250 0 50 100 150 200 250
Tempo (s) Tempo (s) Tempo (s)

(a) (b) (c)

Figura 4: Estimação da posição geodéticas no sistema de coordenadas LLA: (a) Latitude λ, (b) Longitude
φ e (c) Altitude h
8 10 0.6

GPS 8
6 0.4
Filtro de Kalman
6
4 Filtro Robusto
4 0.2
2
2
0
v (m/s)

vD (m/s)
v (m/s)

0
0
E
N

−2 −0.2
−2
−4
−4 −0.4
−6 −6
GPS −0.6 GPS
−8 −8 Filtro de Kalman Filtro de Kalman
Filtro Robusto Filtro Robusto
−10 −10 −0.8
0 50 100 150 200 250 0 50 100 150 200 250 0 50 100 150 200 250
Tempo (s) Tempo (s) Tempo (s)

(a) (b) (c)

Figura 5: Estimação das velocidades no sistemas de coordenadas NED: (a) υN , (b) υE e (c) υD
LOCALIZAÇÃO DE UM ROBÔ SUBTERRÂNEO PARA INSPEÇÃO DE LINHAS DE
TRANSMISSÃO

Paulo L. J. Drews Jr∗, Silvia S. C. Botelho†, Mario F. M. Campos∗

∗
Laboratório de Visão e Robótica (VeRLab)
Departamento de Ciência da Computação (DCC) - UFMG
Belo Horizonte - MG - Brasil
†
Núcleo de Automação e Computação (NAUTEC)
Centro de Ciências Computacionais (C3) - FURG
Rio Grande - RS - Brasil

Emails: paulol@dcc.ufmg.br, silviacb@furg.br, mario@dcc.ufmg.br

Abstract— The present work shows a comparative between the feature-based methods SIFT and SURF, in
order to realize visual odometry to localize an energy distribution line inspection robot. Considering the sensorial
difficult of this kind of robot, this paper look for a solution to localization, seeing is not possible use GPS in
this environment. The proposed methodologies are composed by a complete system that uses only images to
estimate the robot pose. The results were satisfactory, once the accuracy and robustness was reached in real use
condition. They also show the advantage of each method.

Keywords— SIFT, SURF, Visual Odometry, Inspection Robot.

Resumo— O presente trabalho mostra um comparativo entre métodos descritores de caracterı́sticas SIFT e
SURF, a fim de realizar odometria visual para localização em um robô para inspeção de linhas de alta tensão
subterrâneas. Considerando a dificuldade de sensoriamento para este tipo de robô, este artigo busca uma solução
para sua localização, visto que não é possı́vel utilizar GPS neste tipo de ambiente. A metodologia proposta é
composta de um sistema completo de odometria, no qual se utiliza apenas imagens para reconhecer a pose do
robô. Os resultados foram satisfatórios, uma vez que a exatidão e a robustez foram alcançadas em condições
reais de operação do robô. Além disso, eles mostram as vantagens de cada método.

Keywords— SIFT, SURF, Odometria Visual, Robô de Inspeção.

1 Introdução vido em três grandes passos:

A odometria convencional é um dos métodos mais • Detecção de Caracterı́sticas na Imagem

utilizados para estimar a posição de um robô.
Sabe-se bem que ela proporciona uma boa pre-
cisão em movimentos curtos e permite taxas de
amostragem muito altas. A idéia fundamental da
odometria é a integração de informação do movi-
mento, o qual envolve uma inevitável acumulação
de erros. A acumulação de erros de orientação
causa grandes erros na estimação da posição, os
quais vão aumentando proporcionalmente com a
distância percorrida pelo robô.
Esses erros são ainda maiores quando a
odometria é fornecida por dados de encoders pre-
sos as rodas do robô devido à derrapagem, o que
acontece normalmente, em maior ou menor quan-
tidade, dependendo da superfı́cie de movimento
e da caracterı́stica da roda. Assim, a odometria
visual surge como uma alternativa a odometria
convencional, por meio da qual é possı́vel estimar
a posição do robô mesmo quando acontece derra-
pagem ou rotação, visto que os dados fornecidos
pela visão não são sensı́veis a esse tipo de ruı́do.
Porém, a odometria visual é dependente do am-
biente que o robô está inserido, sendo necessário
a existência de iluminação e features visuais que
permitam ao robô determinar como está se movi-
mentando.
O processo de odometria visual, pode ser di-
- Neste passo são determinadas caracterı́s-
ticas distintivas que podem ser buscadas
em diferentes imagens, como por exemplo,
quinas(corners);
• Casamento de Caracterı́sticas ou
Matching - As diferentes caracterı́sticas
determinadas em imagens, precisam ser cor-
relacionadas, ou seja, é preciso determinar as
mesmas caracterı́sticas em imagens distintas;
• Estimação do Movimento do Robô - Por
meio dos pares de pontos correlacionados em
imagens distintas, é possı́vel determinar o
movimento da câmera. Assim, considerando
conhecida a conversão do sistema de coorde-
nada da câmera para o do robô, pode-se in-
ferir o movimento do robô.
2 Revisão Bibliográfica
Diversos trabalhos tem sido propostos para re-
alizar odometria visual, com as mais diversas
abordagens para os mais diferentes tipos de ambi-
entes. Considerando a divisão da odometria visual
em três passos, foi feita uma revisão bibliográfica
para cada um dos três passos, bem como de trabal-
hos que fundem os três passos, afim de realizarem
a odometria visual.
Para a determinação de caracterı́sticas o
método mais comum é detector de Harris. O de-
tector de extremidades de Harris-Stephens (Harris
and Stephens, 1988), têm como intenção inicial a
localização de quinas em uma imagem por meio
da matriz Hessiana, para posterior casamento, ou
matching. Embora seja um método largamente
utilizado, ele é muito suscetı́vel ao gradiente da
imagem, tornando assim difı́cil a tarefa de deter-
minar um limiar ótimo para determinação de cor-
ners.
Existem alguns métodos que são capazes de,
além de determinar caracterı́sticas, também cri-
arem descritores que têm informações relevantes
sobre tais, de tal forma que seja possı́vel identificar
elas, somente com a informação destes descritores.
Os mais importantes são o o SIFT (Lowe, 2004), o
GLOH (Mikolajczyk and Schmid, 2005), o SURF
(Bay et al., 2006) e o LESH (Sarfraz and Hell-
wich, 2008). Tais descritores costumam ser invari-
antes a diversas transformações, como rotação,
translação, escala, além de possuı́rem robustez a
ruı́do e iluminação. Para realizar o matching de
caracterı́sticas, é utilizada a distância entre os ve-
tores dos descritores, utilizando distância euclidi-
ana ou de Mahalanobis (Bay et al., 2006). Assim
sendo, o tamanho do descritor tem interferência
direta no custo do algoritmo.
A última parte de um sistema de odome-
tria visual é a determinação do movimento, a
partir dos pares de pontos correlacionados. Ex-
istem diversas abordagem, para a inferência do
movimento. Tal abordagem depende do tipo de
visão a ser utilizada, monocular ou estéreo (Nistér
et al., 2006), de forma a se determinar a posição
3D do robô. As abordagens costumam utilizar
triangulação entre duas câmeras, ou entre pontos
correlacionados em 3 imagens diferentes. A ma-
triz essencial também é comumente utilizada para
determinar a posição 3D (Choset et al., 2005),
por meio das matrizes R e T, que representar
rotação e translação, respectivamente. A abor-
dagem utilizando visão estéreo além de ser maior
precisa, ainda oferece a facilidade de não necessi-
tar verificar pontos em 3 imagens distintas (Nistér
et al., 2006).
O trabalho de (Maimone et al., 2007) apre-
senta uma solução de odometria visual, aplicado
a robôs com limitação de processamento e ener-
gia, tal informação é fundida com a odometria
das rodas e informação inercial fornecida por uma
IMU. O sistema utiliza um par de câmeras estéreo,
no qual tenta buscar caracterı́sticas em imagens
pelo detector de Harris, sendo buscadas com a
maior precisão possı́vel, sem a necessidade de de-
terminar muitas caracterı́sticas, nem muito rapi-
damente, assim limitando o movimento do robô.
Para determinar o deslocamento a partir das car-
acterı́sticas, é utilizado um metódo iterativo, que
se não convergir, é mantida a informação ape-
nas da odometria das rodas.O sistema é utilizado,
principalmente, em terrenos arenosos, onde ex-
iste muita derrapagem, em terrenos com desnı́veis
muito grande e ao transpor pequenos obstáculos.
O trabalho proposto por (Nistér et al., 2006)
estima a odometria visual por meio de uma cabeça
estéreo ou de uma câmera de vı́deo se movendo
junto ao robô. Tal sistema tem performance em
tempo-real, tal sistema utiliza o detector de Harris
também. Para o matching é utilizado um método
semelhante ao KLT, sem precisão de subpixel. O
método RANSAC é utilizado visando uma medida
robusta do movimento, tal determinado por tri-
angulação. Os resultados mostram o método pro-
posto pode ser utilizado em diversos ambientes,
tendo resultados muito bons frente a INS e GPS.
Além disso o trabalho apresenta o RANSAC como
uma solução não-linear e multi-modal, visto que o
erro da odometria visual costuma ter essas carac-
terı́sticas, provando assim que o filtro de Kalman
não é suficiente para resolver o problema.
3 Metodologia
Considerando um sistema de camera monocular e
previamente calibrado. A metodologia proposta
neste trabalho utilizará os seguintes passos para
determinar a odometria visual:
• Determinação de pontos de interesse em ima-
gens utilizando algoritmos descritores de Fea-
tures (SIFT e SURF)
• Casamento entre descritores e remoção ro-
busta de outliers
• Determinação do movimento com visão
monocular utilizando matriz essencial
Um diagrama para melhor ilustrar a
metodologia proposta é apresentado na figura 1.
Ela mostra os passos necessários para a obtenção
da pose da câmera em relação a um referencial
inercial, assim conhecida a conversão da pose de
câmera é possı́vel determinar a pose do robô. Na
seções a seguir serão detalhados cada passo da
metodologia.
3.1 Determinação de Pontos de Interesse em
Imagens Utilizando Algoritmos Descritores
de Features (SIFT e SURF)
Para a determinação de pontos de interesse
nas imagens foram escolhidos os algoritmos de-
scritores de features, tais algoritmos costumam
ser invariantes a diversas caracterı́sticas presentes
em imagens, como iluminação, rotação, escala,
translação, dentre outras. Tornando assim ade-
quados a tarefa de determinação de pontos para a
odometria visual.

Figura 1: Overview do sistema proposto.
O sistema permite utilizar o SURF e o SIFT,
dependendo da aplicação dada ao sistema, cada
um com suas vantagens e desvantagens. Assim,
cada algoritmo será detalhado a seguir.
3.1.1 SIFT
é um método robusto para extrair e descrever
pontos-chaves de uma imagem (Lowe, 2004). O
algoritmo é composto por 4 etapas:
1. Detecção de extremos no espaço de es-
cala: Nessa etapa, é feita a busca em todas
as escalas e localizações de imagens com difer-
ença de filtros gaussianos (DOG, do inglês dif-
ference of gaussian), visando identificar pon-
tos de interesse invariáveis à escala e rotação.
2. Localização de pontos-chaves: Para cada
localização em que foi detectado um extremo,
um modelo detalhado é ajustado para deter-
minar a localização exata e a escala. Pontos-
chaves são selecionados baseando-se em medi-
das de estabilidade. Nessa etapa são definidos
os melhores pontos para o sistema de mapea-
mento, por meio de medidas de gradiente.
3. Definição de orientação: A orientação é
definida para cada ponto chave por meio dos
gradientes locais da imagem. Toda operação,
a partir de então, será feita com relação a
dados da imagem transformados em relação
à orientação e escala de cada ponto-chave.
Desta maneira, obtém-se invariância a estas
transformações.
4. Descritor dos pontos-chaves: O gradi-
ente local de cada ponto-chave é medido,
utilizando-se a vizinhança do ponto. Estas
medidas são transformadas para uma repre-
sentação que permite tolerância a nı́veis sig-
nificativos de distorção e mudança de ilumi-
nação.
O algoritmo SIFT busca pontos que sejam in-
variantes a mudanças de escala da imagem, possi-
bilitando a detecção de pontos em diferentes visões
de um mesmo objeto, com altas taxas de repetibil-
idade, por meio de uma localização de pontos em
uma espaço de escala. Além disso, o método é
capaz de determinar um número muito grande
de pontos, o que facilita o processo de match-
ing. O SIFT tem um desempenho superior a di-
versos algoritmos, como mostra (Mikolajczyk and
Schmid, 2005), embora sua maior limitação seja o
custo computacional elevado.
3.1.2 SURF
é outro método robusto e com baixo custo com-
putacional para extrair e descrever pontos-chaves
de uma imagem (Bay et al., 2006). O algoritmo é
composto por 3 etapas:
• Criação da integral da imagem: O con-
ceito de integral de imagem foi desenvolvido
por (Viola and Jones, 2001), tal tipo de im-
agem permite uma implementação extrema-
mente rápida de mascaras de convolução.
• Determinação de pontos de interesse
por meio da Fast-Hessian: Utiliza-se uma
aproximação do kernel gaussiano de segunda
ordem para determinar as caracterı́sticas de
interesse na imagem.
• Criação do descritor de Cada Ponto-
Chave: Para determinação do descritor é
utilizado a soma das respostas do 2D Haar
wavelet em diferentes orientações.
O SURF foi inspirado parcialmente no SIFT,
visando um menor custo computacional com boa
performance. Os autores propõem 3 versões do
descritor do ponto, porém o método de extração
é o mesmo para todos. O versão padrão do
SURF cria um descritor de 64 valores, sendo muito
eficiente porém nao muito preciso. Uma vari-
ante deste, ainda menos custosa computacional-
mente não corrige a orientação do ponto. Existe
uma terceira versão que tem um descritor de 128
posições, considerando assim os diferentes sinais
do 2D Haar wavelet.
3.2 Casamento Entre Descritores e Remoção
Robusta de Outliers
Para encontrarem-se correspondências entre
duas imagens, conhecendo-se os descritores, é
necessário localizar os melhores candidatos a
serem seus equivalentes na outra imagem. Isto
é feito procurando-se o vizinho mais próximo
ou nearest neighbor do descritor do ponto entre
todos os possı́veis candidatos. Quando se procura
classificar um ponto em um extenso banco de
dados de descritores para vários objetos, a busca
exaustiva do vizinho mais próximo pode ser
demorada, assim Lowe propõe o uso de uma
variação do K-D Tree (Friedman et al., 1977), o
BBF (Beis and Lowe, 1997) para acelerar a busca
(Lowe, 2004). Tal abordagem é utilizada em
ambos os descritores utilizados, porém no SURF
também é utilizado o sinal do laplaciano para
eliminar falsas correlações. Assim, para realizar
matching no SURF não se utilizou o BBF, e sim
uma busca exastiva, visto que o descritor é menor
e com uso do laplaciano tornando uma medida
eficiente.
Algumas vezes, pode acontecer do par
definido pelo matching não ser o par correto, as-
sim o sistema deve ser capaz de identificar e re-
mover essas falsas correlações. Uma solução para
o problema é a geometria epipolar, visto que a
única restrição geométrica entre dois pares de im-
agens não-calibrados que existe. Para tal, foi uti-
lizada a estimação robusta da matriz fundamen-
tal. Diversos métodos para estimação da matriz
fundamental são encontrados na bibliografia, con-
tudo o método mais conhecido é o algoritmo de 8
pontos (Hartley, 1997), que estima a matriz fun-
damental de forma linear, solucionando a equação
1.
n
X 0
||m̃i T F m̃i ||2 (1)
i=1
O LMedS e o RANSAC são técnicas muito
similares. Ambas as técnicas são baseadas na se-
leção randômica de um conjunto de pontos que são
usados para a estimação linear da matriz funda-
mental. A diferença entre eles é a forma de deter-
minar a melhor estimação da matriz fundamental.
O LMeds calcula a distância entre os pontos e a
linha epipolar, para cada estimação de F , para es-
colher a melhor matriz, o método minimiza a me-
diana dos valores. Enquanto o RANSAC calcula
o número de inliers, ou verdadeiras correlações,
para cada matriz F e escolhe a que maximiza esse
número. Tendo eliminado os outliers, a matriz
F é recalculada com o objetivo de obter melho-
rar a estimação. Neste trabalho é proposto a re-
moção, inicialmente utilizando RANSAC e poste-
riormente LMedS (Torr and Murray, 1997).
3.3 Determinação do Movimento Com Visão
Monocular Utilizando Matriz Essencial
Uma vez computada a matriz fundamental F
e com a matriz de parâmetros intrinsicos da
câmera conhecidos K, pode-se determina a pose
da câmera entre dois frames subsequentes, per-
mitindo assim também a reconstrução dos pontos
no espaço 3D.
A posição e orientação da câmera pode ser
considerado como um par de matriz de rotação
e um vetor de translação R, t. Assim, computar
a pose do robô é equivalente a encontrar a ma-
triz de rotação e o vetor de translação da câmera
entre duas figuras consecutivas. Para encontrar
Figura 2: Robô para inspeção de linhas de alta-
tensão subterrâneas utilizado nos testes, bem
como dois exemplos de imagens adquiridas em
condições reais, à direita. Na parte superior,
mostra a rugosidade do ducto, como principal
fonte de informação. Já na imagem inferior, temos
uma junção entre ductos, comum neste ambiente,
bem como o efeito ”smooth” da câmera, que difi-
culta a detecção de ”features”.
R e t, utiliza-se a matriz essencial E que é con-
hecida como sendo E = K1 F K2T , para duas im-
agens distintas, porém em nesse caso K é con-
stante, pois utiliza-se a mesma câmera em vistas
diferentes. As propriedades da matriz essencial E
asseguram que ela é diagonalizavél. Consequente-
mente, é possı́vel realizar uma decomposição SVD
da matriz. Assim, pode-se estipular o par (R, t).
Com as matrizes de translação e rotação con-
hecidas determinamos a pose da câmera e, conse-
qüentemente, a pose do robô a menos de um fator
de escala, conhecido como universal, este pode ser
determinado por uma calibração da cena.
4 Resultados
Foi realizados testes para validar o sistema em um
robô para inspeção de linhas de alta-tensão sub-
terrâneas, a figura 2 mostra um protótipo do robô
que foi utilizado nos testes, bem como imagens
da câmera presa ao mesmo em condição real de
operação. Embora na imagem do robô não es-
teja acoplado ao robô a câmera de vı́deo, foi uti-
lizada uma câmera de vı́deo Samsung SCD-363 no
padrão NTSC, que permite uma taxa máxima de
29, 97 fps e tamanho da imagem de 720 × 480 pix-
els. Porém, foram utilizados frames de 320 × 240
pixels, para melhorar a resposta temporal do sis-
tema. O sistema foi implementado em C++ e
testado online, ou seja, os frames só eram pro-
cessados quando o sistema estava disponı́vel, caso
contrário, eram descartados.
Com o sistema calibrado, foi determinado o
movimento do robô em uma tubulação, tal movi-
mento predominantemente de translação visto que
o robô pode apenas rotacionar em torno do tubo
ou transladar nele, devido a restrições de con-
strução do mesmo. Assim, pelo robô não possuir

Figura 3: Resultado da odometria sem remoção
de outliers, com cruz amarela representa a posição
final conhecida.
Figura 4: Resultado da odometria com remoção
de outliers por meio do RANSAC/LMedS, com
cruz amarela representa a posição final conhecida.
qualquer outra fonte sensora para determinação
de posição e orientação não foi possı́vel estimar
sua trajetória de referência, porém sabe-se que ele
percorreu 2.5m (tamanho da tubulação percorrida
pelo robô). As figuras 3 e 4 mostram os resulta-
dos da odometria visual utilizando as 3 versões do
SURF e o SIFT, primeiramente sem eliminação de
outliers e com eliminação.
Outros resultados importantes estão nas Fig-
uras 5, 6 e 7, resumidos pela Tabela 1. Eles
mostram, respectivamente, o número de car-
acterı́sticas determinadas pelo SURF e SIFT(o
número de caracterı́stica é invariante ao uso dos 3
tipos de descritores do SURF), o número de cor-
relações realizadas, de verdadeiras correlações re-
alizadas (após a remoção de outliers) e o tempo
gasto para executar todo processo para cada
frame.
Os resultados mostram a superioridade tem-
poral do SIFT, consumindo muito mais tempo
de processamento que todos os tipos de SURF,
Figura 5: Número de caracterı́sticas detectadas
em cada frame.
Figura 6: Número de correlações entre frame,
antes e após remoção de outliers.
ainda assim não tendo um resultado superior na
determinação da posição. O SIFT também detec-
tou um número maior de pontos, assim a posição
determinada pela estimação robusta foi melhor,
chegando muito próximo ao ótimo. Já o SURF,
apresentou os resultados esperados, sendo mais
rápido que o SIFT, porém detectando bem menor
caracterı́sticas (aproximadamente metade), conse-
qüentemente, menos correlações foram efetuadas,
embora o resultado final tenha sido satisfatório,
chegando bem próximo aos 2.5m.
5 Conclusão e Trabalhos Futuros
O artigo mostrou um sistema para realização de
odometria por um sistema de câmera monocular,
utilizando algoritmos descritores de caracterı́sti-
cas, permitindo assim determinar pontos na im-
agem que fossem descritivos e que pudessem ser
 Tabela 1: Valores obtidos no experimento para os métodos.
Caracterı́sticas (Features) Correspondências (Matching Correspondências Verdadeiras Tempo Gasto
Método
Min. Máx. Média Desvio Padrão Min. Máx. Média Desvio Padrão Min. Máx. Média Desvio Padrão Min. Máx. Média Desvio Padrão
SIFT 37 1052 454.2042 209.1606 10 500 200.8840 134.0233 10 500 174.0858 137.5189 10 1920 760.6961 278.6214
SURF 6 250 86.9838 51.8654 6 249 58.8770 56.7450 114 420 254.7819 62.2078
USURF 80 272 177.0603 41.9013 6 250 93.0046 50.9400 6 247 63.1903 55.8975 66 283 160.8005 40.2199
SURF128 5 253 84.3712 52.9973 5 250 57.5406 57.1199 115 475 279.5638 67.9874

Computer Vision and Pattern Recognition,

IEEE Computer Society, Washington, DC,
USA, pp. 1000–1006.
Choset, H., Lynch, K. M., Hutchinson, S., Kan-
tor, G. A., Burgard, W., Kavraki, L. E. and
Thrun, S. (2005). Principles of Robot Mo-
tion: Theory, Algorithms, and Implementa-
tions, MIT Press.
Friedman, J., Bentley, J. and Finkel, R. (1977).
An algorithm for finding best matches in log-
arithmic expected time, ACM Transactions
Figura 7: Tempo de execução para cada frame.
on Mathematical Software 3(3): 209–226.
Harris, C. and Stephens, M. (1988). A combined
encontrados em outras imagens. Para a identi- corner and edge detection, Fourth Alvey Vi-
ficação da pose da câmera e, conseqüentemente sion Conference.
do robô, utilizou-se a matriz essencial, estimada
a partir da matriz fundamental. Os resultados Hartley, R. (1997). In defense of the eight-point
mostram que ambos os métodos tem uma boa re- algorithm, Transactions on Pattern Analysis
sposta ao movimento do robô, embora o ambiente and Machine Intelligence 19(6): 580–593.
não tenha muitas caracterı́sticas relevantes e a ilu-
minação seja não-uniforme (artificial). Lowe, D. (2004). Distinctive image features from
Como trabalho futuro pretende-se testar a scale-invariant keypoints, International Jour-
odometria visual em outros ambientes e um estudo nal of Computer Vision 60(2): 91–110.
mais aprofundado da necessidade de adaptação do Maimone, M., Cheng, Y. and Matthies, L. (2007).
método proposto para funcionar nestes ambientes. Two years of visual odometry on the mars
Também, a utilização de estimadores robustos de exploration rovers: Field reports, Journal of
posição e fusão sensorial com outras formas de Field Robot 24(3): 169–186.
sensores, permitindo assim uma estimação precisa
da posição. Além disso, pretende-se uma melhor Mikolajczyk, K. and Schmid, C. (2005). A perfor-
adaptação do método as restrições cinemáticas do mance evaluation of local descriptors, IEEE
robô e do ambiente, que pode reduzir significati- Transactions on Pattern Analysis e Machine
vamente o custo computacional, bem como o erro Intelligence 27(10): 1615–1630.
do método.
Nistér, D., Naroditsky, O. and Bergen, J. (2006).
Visual odometry for ground vehicle applica-
Agradecimentos tions, Journal of Field Robotics 23(1).

Este trabalho foi parcialmente suportado pela Sarfraz, M. S. and Hellwich, O. (2008). Head
CAPES e contou com o apoio dos pesquisados pose estimation in face recognition across
do VeRLab (Laboratório de Visão e Robótica) pose scenarios, International conference on
do DCC-UFMG e do NAUTEC (Núcleo de Au- Computer Vision Theory and Applications,
tomação e Computação) do C3-FURG. pp. 235–242.
Torr, P. H. S. and Murray, D. W. (1997). The de-
Referências velopment and comparison of robust meth-
ods for estimating the fundamental matrix,
Bay, H., Tuytelaars, T. and Gool, L. V. (2006). International Journal of Computer Vision
Surf: Speeded up robust features, European 24(3): 271–300.
Conference on Computer Vision, pp. 404–
417. Viola, P. and Jones, M. (2001). Rapid object de-
tection using a boosted cascade of simple fea-
Beis, J. and Lowe, D. (1997). Shape indexing tures, IEEE Conference on Computer Vision
using approximate nearest-neighbour search and Pattern Recognition 1: 511–518.
in high-dimensional spaces, Conference on
 ESTIMAÇÃO DE POSIÇÃO E ORIENTAÇÃO PARA ROBÔS MÓVEIS

JOSÉ G. N. DE CARVALHO FILHO1 , LUCAS MOLINA1, 3, KAMEL BENSEBAA2, ELYSON A. N. CARVALHO1,4 E EDUARDO O. FREIRE1
1
Departamento de Engenharia Elétrica, Universidade Federal de Sergipe – DEL/UFS, São Cristóvão-SE, Brasil
E-mails: j.gilmar@click21.com.br; lmolina@ufs.br; ecarvalho@ufs.br; efreire@ufs.br

2
Departamento de Ciência da Computação, Universidade Federal de Sergipe –DCOMP/UFS, São Cristóvão-SE, Brasil
E-mails: kamel-bensebaa@ufs.br

3
Programa de Engenharia Elétrica da Universidade Federal do Rio de Janeiro – PEE/COPPE/UFRJ, Rio de Janeiro-RJ,
Brasil

4
Departamento de Engenharia Elétrica da Universidade Federal de Campina Grande – DEE/UFCG, Brasil

Abstract This paper is focused on the development of a system for estimating position and orientation based on computer vision techniques
using matching images. The system is based on the comparison of images acquired at different times to determine the angular and linear
displacement between them which in turn, are used to estimate the robot’s trajectory. The image comparison is performed using a matching points
technique based on the distance between points of interest. In this sense, the distance between interesting points are clustered into sets of distances
and the distances distribution are used to perform image matching. The developed system was evaluated by recording images from a low
resolution video camera fixed at a mobile platform.

Keywords Position and orientation estimation, Computational vision, Dead-reckoning.

Resumo Este artigo é focado no desenvolvimento de um sistema de estimação de posição e orientação baseado em técnicas de visão
computacional usando correspondência de imagens. O sistema se baseia na comparação de imagens adquiridas em diferentes instantes para
determinar os deslocamentos angular e linear entre elas e, assim, estimar a trajetória do robô. A comparação das imagens é realizada usando uma
técnica de casamento de pontos baseada nas distâncias entre os pontos de interesse. Neste sentido, as distâncias entre os pontos de interesse são
agrupadas em conjuntos de distâncias e as distribuições de distâncias destes conjuntos são usadas para realizar a correspondência das imagens. O
sistema desenvolvido foi avaliado a partir de imagens de obtidas por uma câmera de baixa resolução fixada em uma plataforma móvel.

Palavras-chave Estimação de posição e orientação, Visão computacional, Odometria.

Por conta desta maior versatilidade, muitas destas

1 Introdução
Atualmente, existe uma demanda generalizada e crescente
pelo aumento da eficiência e pela redução de custos no setor
industrial, por diversas razões que vão desde preocupações
ambientais até a necessidade de ser mais competitivo no
mercado globalizado. Isso tem alavancado de forma
significativa as pesquisas na área de automação, que pode
ser considerada como uma área estratégica para o
crescimento de indústrias e países. A área de robótica está
atrelada à automação sob diversos aspectos, mas também
tem seus próprios nichos de crescimento, de forma que
cresce por influência da área de automação industrial e
também devido ao setor de serviços. Nesse caso, podem ser
destacadas aplicações como: o auxílio a pessoas com
necessidades especiais, a substituição do homem na
exploração de ambientes insalubres ou perigosos e até
mesmo o entretenimento.
Nestes casos, os robôs móveis têm um lugar de destaque,
pois não ficam restritos a um único local de operação e, por
conta disto, têm uma aplicabilidade e versatilidade muito
maior que os robôs manipuladores, mais freqüentes nas
fábricas.
aplicações, frequentemente, demandam um alto grau de
precisão e exatidão dos robôs durante a execução das tarefas
atribuídas. Estas características são obtidas, geralmente,
através do uso de controles realimentados. Devido ao fato
que a posição do robô e, talvez outras variáveis de estado
devem ser conhecidas durante a execução da tarefa,
estimadores podem ser aplicados como forma de aumentar
a confiabilidade dos valores de tais variáveis, medidos direta
ou indiretamente pelo sistema de sensoriamento do robô.
Muitos métodos de localização de robôs móveis fazem
uso de sensores inerciais, tais como acelerômetros e
giroscópios ou ainda sensores como GPS e bússolas
eletrônicas, porém grande parte dos métodos usados para
medição da posição de robôs móveis ainda é baseada em
odometria, nos quais as velocidades, linear e angular, do
robô são integradas ao longo do tempo para determinar a sua
posição. Uma das formas mais comuns de se empregar
odometria é utilizando encoders ópticos (Carvalho-Filho et
al., 2008).
Os principais problemas dos métodos baseados em
odometria consistem no fato de que, para se obter a precisão
necessária para aplicações em robótica, são necessários
encoders de alta resolução, os quais podem aumentar
significativamente os custos de implementação e que, em
odometria, o erro é acumulativo.
Uma alternativa ao uso dos encoders ópticos é a
utilização de métodos baseados em visão computacional,
que podem fornecer uma boa precisão mesmo com câmeras
de baixa resolução.
Estes métodos frequentemente utilizam técnicas de fluxo
óptico, localização de marcos naturais ou artificiais, visão
global e correspondências de imagens para localizar o robô
no ambiente (Heinen, 2002). Porém, mesmo podendo
fornecer uma boa precisão, estes métodos possuem algumas
limitações, tais como o tamanho do ambiente ou a
necessidade de marcos naturais ou artificiais, que podem
restringir sua aplicabilidade a certos ambientes ou tarefas.
Neste artigo é apresentado um sistema de estimação de
posição e orientação para robôs móveis baseado em técnicas
de visão computacional usando correspondência de imagens.
Este sistema baseia-se na comparação de imagens adquiridas
em diferentes instantes para determinar os deslocamentos
angular e linear entre elas e, assim, estimar a trajetória do
robô.
É importante ressaltar que o foco deste artigo é a
apresentação de um novo método de correspondência de
imagens baseado na utilização das distâncias entre os pontos
de interesse obtidos, para medição de deslocamento de robôs
móveis. Para tanto foi utilizado um método conveniente para
a escolha dos pontos de interesse, necessários para analisar a
funcionalidade da técnica de correspondência de imagens
desenvolvida e comprovar a aplicabilidade do sistema.
2 Métodos Utilizados para Estimação de Posição e
Orientação
Existem diversos métodos para estimação de posição e
orientação de robôs móveis encontrados na literatura,
todavia, neste artigo serão discutidos apenas alguns dos
métodos mais utilizados em localização de robôs móveis.
2.1 Métodos Baseados em Encoders Ópticos
Em geral, os métodos que utilizam encoders ópticos para
estimar a posição e orientação de robôs móveis obtêm os
deslocamentos angular e linear através da integração das
velocidades angular e linear no tempo.
O que diferencia estes métodos é, principalmente, a
forma como as velocidades são medidas. Tais velocidades
são calculadas a partir da medição da velocidade em cada
roda, usando um disco com furos, geralmente acoplado
diretamente ao eixo do motor, e um par emissor/receptor de
infravermelho.
Apesar de amplamente usados em robôs móveis devido a
sua simplicidade, os métodos baseados em encoders ópticos
não realizam uma medição adequada da velocidade quando
na presença de erros não-sistemáticos, sobretudo em
ambientes não-estruturados, como, por exemplo, quando há
deslizamento das rodas. Esse erro de medição é acumulativo
na determinação da trajetória do robô devido à natureza
integrativa do método.
2.2 Métodos Inerciais
Na robótica, os sensores inerciais são muito utilizados em
técnicas de localização de robôs móveis. Nos métodos
inerciais, as informações sobre a posição, velocidade,
altitude e direção dos robôs em relação a um referencial são
obtidas a partir de sensores como giroscópios, acelerômetros
e inclinômetros.
O grande problema dos métodos inerciais é que, em
geral, estes possuem um grande erro acumulado, ainda
maior que os métodos baseados em encoders ópticos, pois,
uma vez que os sensores inerciais medem a aceleração, é
necessário integrar duas vezes a medida para estimar o
deslocamento.
2.3 Métodos Baseados em Medições Absolutas
Alguns métodos de localização de robôs móveis utilizam
medições absolutas para localizar o robô no ambiente, em
geral, obtidas a partir de sensores como bússolas eletrônicas
ou receptores GPS.
A bússola eletrônica é um aparelho que calcula a
diferença angular entre a orientação do dispositivo e o norte
magnético. Assim, através da utilização de bússolas
eletrônicas, é possível obter a orientação do robô em relação
ao norte magnético.
Embora a utilização de bússolas eletrônicas em robôs
seja uma opção viável, poucos têm sido os casos, na prática,
a recorrer a sistemas de localização baseados nesse tipo de
dispositivo. Isto se deve, em grande parte, ao fato de a
bússola fornecer apenas informação azimutal e possuir uma
susceptibilidade considerável a interferências externas, tais
como proximidade a materiais ferromagnéticos e fugas
magnéticas dos motores elétricos (Santos, 2002).
O GPS (Global Positioning System) é uma rede de
satélites artificiais em órbita da Terra utilizados para
fornecer as coordenadas de algum ponto do planeta através
de um aparelho receptor dos sinais de rádio emitidos por
estes satélites.
A utilização de sistemas de GPS é uma das formas mais
fáceis de obter a localização de robôs móveis, pois através
destes sistemas é possível obter a posição absoluta de um
robô. Atualmente, estes sistemas têm um erro em torno de
10 metros (podendo chegar a até alguns centímetros), porém
o alto custo de implementação restringe significativamente
seu uso (Santos, 2002).
2.4 Métodos baseados em Visão Computacional
Os métodos que utilizam visão computacional para estimar a
posição podem ser divididos segundo o critério do
posicionamento da câmera em on-board, quando esta é
posicionada a bordo do robô, ou off-board, quando a câmera
é posicionada fora do robô (Carvalho et al., 2006).
Os métodos que utilizam a câmera posicionada em
algum ponto do ambiente (off-board) podem estimar a
posição do robô de forma direta, ou seja, estes métodos não
precisam medir um outro atributo do robô, a exemplo da
velocidade, e estimar a posição a partir dele (Carvalho et al.,
2006 ).
 Esses métodos têm a sua utilização restrita a ambientes
pequenos e sem objetos que possam encobrir a visualização
do robô, devido ao campo de visão limitado da câmera,
como é o caso do futebol de robôs, onde os agentes se
movem em uma superfície pequena e plana e a visualização
da bola e dos robôs não é obstruída (Andrade et al., 2006).
Em muitos dos métodos que utilizam câmeras a bordo do
robô (on-board) são utilizadas técnicas baseadas em fluxo
óptico para estimar a posição de robôs móveis (Campbell, et
al., 2005).
Os métodos que utilizam câmeras on-board são usados
em várias aplicações, sobretudo naquelas em ambientes
externos, podendo fornecer uma boa estimação da posição
nestas aplicações, onde o uso de uma câmera off-board é
inviável (Campbell, et al., 2005). Todavia, como os métodos
baseados em fluxo óptico não medem diretamente o
deslocamento, os erros inerentes às medições da velocidade
e do tempo, necessários para estimar o deslocamento, são
propagados.
Assim, como o deslocamento estimado está em função
da velocidade e do tempo, a incerteza inerente a este
deslocamento estimado é dada pela equação 1.
( , )∴ = +
Onde ( , ) é o deslocamento estimado e , e pontos baseada nas distâncias entre pontos de interesse das
são as incertezas do deslocamento, da velocidade e do
tempo, respectivamente.
3 Sistema Proposto
Neste trabalho é apresentado um sistema de estimação de
posição e orientação baseado em visão computacional
objetivando aplicações em robótica. O funcionamento deste
sistema baseia-se na comparação de imagens, obtidas em
instantes diferentes, para determinar os deslocamentos
angular e linear entre elas e, assim, estimar a trajetória do
robô.
Deste modo, as imagens que vão sendo obtidas por uma
câmera voltada para a superfície sobre a qual o robô se
locomove são comparadas aos pares e, a partir dos valores
de deslocamentos obtidos em cada comparação, a trajetória
é estimada.
Os pares de imagens comparadas são formados por uma
imagem atual (Ia), obtida no instante em que o par de
imagens começará a ser processado pelo algoritmo e uma
imagem de referência (Ir), que é a “imagem atual” da
comparação anterior.
3.1 Preparação dos Dados
A partir de uma câmera de baixa resolução fixada em uma
plataforma móvel, foram obtidas imagens da superfície
sobre a qual a plataforma se deslocava. Na figura 1 são
mostradas uma imagem desta superfície e o esquema da
plataforma móvel.
As imagens obtidas foram então recortadas de modo a
selecionar apenas um segmento quadrado do centro das
imagens. Em seguida, os segmentos selecionados foram
convertidos em imagens em níveis de cinza.
Figura 1: a) Superfície utilizada durante os experimentos b) Esquema da
plataforma móvel.
Uma observação importante sobre a escolha do tamanho
do segmento recortado é que sua dimensão deve ser
suficientemente grande para que, considerando a velocidade
e aceleração máxima do robô em que a câmera for fixada,
seja possível garantir que haja uma região de interseção
entre este segmento recortado e o anterior que possibilite
fazer a correspondência entre eles.
3.2 Algoritmo Proposto
(1)
Neste artigo é proposta uma técnica de correspondência de
imagens. Esta técnica agrupa as distâncias entre os pontos
de interesse em “conjuntos de distâncias” e compara os
conjuntos de duas imagens a partir dos coeficientes de
correlação das distribuições de distâncias dos “conjuntos de
distâncias”.
O objetivo principal deste trabalho é avaliar a técnica
proposta. Por conta disso, os pontos de interesse das
imagens foram obtidos de forma simples, utilizando uma
segmentação da imagem em regiões, a qual é muito
apropriada para a superfície em que foram realizados os
experimentos.
O algoritmo usado para estimar a posição e orientação é
dividido em três partes:
 Obtenção dos pontos de interesse;
 Correspondência de imagens;
 Estimação dos deslocamentos linear e angular.
Nas seções subseqüentes são descritas cada uma das
etapas mencionadas acima.
3.3 Obtenção dos Pontos de Interesse
Inicialmente, o histograma da imagem é equalizado como
descrito em (Gonzalez e Woods, 2002) para aumentar o
contraste e facilitar a segmentação, em seguida é aplicado o
limar de segmentação ao histograma equalizado.
Para a escolha do limiar é aplicado ao histograma da
imagem o método ótimo de limiarização proposto em
(Kapur et al., 1985), o qual maximiza o somatório das
entropias das classes agrupadas.
Uma vez que as imagens foram segmentadas, aplica-se
um separador de regiões a elas. Neste trabalho foi utilizado
o "general procedure outlined" apresentado em (Haralick e
Shapiro, 1992).
 Nesta etapa, além do separador de regiões, é aplicada
uma filtragem às imagens para eliminar as menores regiões,
de forma que as regiões com “massa” (número de pixels)
menor que um determinado limiar são descartadas.
Durante os experimentos foi observado que um bom
valor para o limiar pode ser obtido através da eq. 2:
= (2)
Onde M é a massa média das regiões.
Depois que as imagens foram separadas em regiões, são
obtidas as coordenadas do centro de massa de cada uma
delas, as quais correspondem às coordenadas dos pontos de
interesse das imagens.
3.4 Correspondência de Imagens
Após serem obtidos os pontos de interesse das imagens, são
calculadas as distâncias entre todos os pontos de cada
imagem. Estas distâncias são agrupadas em “conjuntos de
distâncias”, os quais correspondem às distâncias entre um
ponto da imagem e todos os outros, de forma que a cada
ponto da imagem é associado um conjunto de distâncias.
Na fig. 2.a é mostrado um exemplo de um conjunto de
pontos de uma imagem.
Figura 2: a) Conjunto de distâncias do ponto P b) Distribuição de
distâncias de um conjunto de distâncias
Além disso, na fig. 2.a também são representadas em
vermelho as distâncias que formam o conjunto de distâncias
do ponto P que está indicado. Vale lembrar que, para cada
ponto da imagem é gerado um conjunto de distâncias similar
a este. Em seguida, cada ponto da imagem atual (Ia) é
comparado com os pontos da imagem de referência (Ir),
tomando como parâmetro seus conjuntos de distâncias.
Para comparar os conjuntos de distâncias são obtidas as
distribuições de distâncias de cada conjunto, as quais são
similares a códigos de barras. Estes “códigos de barras” são
gerados atribuindo uma barra vertical nos pontos da abscissa
que estão contidos no conjunto de distâncias. Na fig. 2.b é
mostrada a distribuição de distâncias de um desses
conjuntos.
Então, calcula-se o coeficiente de correlação entre as
curvas das distribuições dos conjuntos de distâncias que
estão sendo comparados, fornecendo, assim, um índice que
mede a similaridade entre estes dois “códigos de barras”, ou
seja, entre esses dois conjuntos de distâncias.
Deste modo, é gerada uma matriz de coeficientes de
correlação, na qual cada linha está associada a um ponto de
Ia e cada coluna a um ponto de Ir. Assim, cada elemento da
matriz é o coeficiente de correlação entre as curvas de
distribuição de distâncias associadas aos pontos de Ia e de Ir
correspondentes a linha e a coluna, respectivamente, em que
o elemento está.
Quando um coeficiente é o maior da linha e da coluna
em que está, os pontos de Ia e Ir associados à linha e à
coluna em que o coeficiente está, respectivamente, são
correspondentes.
Quando o maior coeficiente de uma linha da matriz de
coeficientes não é o maior de sua respectiva coluna, o ponto
de Ia associado a esta linha é descartado.
Ao final, os pontos de Ir cujos correspondentes não
foram encontrados também são descartados.
3.5 Obtenção dos Deslocamentos Linear e Angular
Depois que é feita a correspondência entre as imagens, são
gerados vetores a partir dos pontos de interesse que não
foram eliminados.
Esses vetores são gerados de tal forma que para cada
vetor gerado a partir dos pontos de Ia existe um equivalente
em Ir. Na fig. 3.a são mostrados alguns exemplos destes
vetores.
Figura 3: a) Vetores correspondentes b) Distribuição de diferenças de fase
Como pode ser observado na fig. 3.a, o deslocamento
angular entre as imagens é igual à diferença de fase entre os
vetores correspondentes. Então, é obtido um conjunto de
diferenças de fase entre os pares de vetores correspondentes
e, a partir deste conjunto, obtêm-se o deslocamento angular
entre as imagens.
Na figura 3.b é mostrado um exemplo de uma
distribuição de diferenças de fase.
Apesar da distribuição de diferenças de fase mostrada na
figura 4.b não possuir um comportamento gaussiano, com o
intuito de simplificar os cálculos, a distribuição será
aproximada por uma gaussiana e o valor do deslocamento
angular foi considerado como sendo a média da distribuição.
Desta forma, para obter o valor do deslocamento
angular, a primeira estimativa da média da “gaussiana” é
calculada como sendo a mediana da distribuição, então, é
obtido o desvio padrão da distribuição a partir da eq. 3.
A = √2πσ (3)
Onde A é a área da curva da distribuição de diferenças de
fase, a qual é obtida numericamente e σ é o desvio padrão.
Uma vez que foram obtidos os valores da primeira
estimativa da média (µ) e de σ, a média é recalculada como
sendo a média da distribuição de diferenças de fase dentro
do intervalo (µ − 2σ, µ + 2σ).
Depois que o deslocamento angular é estimado, os
pontos de Ia são rotacionados de modo que as duas imagens,
Ia e Ir, não apresentem mais deslocamento angular.
Em seguida, calcula-se a diferença entre as coordenadas
x e y dos pontos correspondentes. Então, são obtidas outras
duas distribuições semelhantes à distribuição de diferenças
de fase, sendo uma de deslocamento horizontal e outra de
deslocamento vertical.
Em seguida, aplica-se a essas distribuições a mesma
técnica empregada para estimar o deslocamento angular e,
assim, são obtidos os deslocamentos horizontal e vertical
entre as imagens.
Um fato ao qual se deve estar atento é que, a cada nova
comparação, é adotado um novo sistema de eixos de
coordenadas, como é mostrado na fig. 4.
Figura 4: Trajetória hipotética de um robô
Por conta desta mudança constante no eixo de
coordenadas, o deslocamento linear total não será a soma
direta dos deslocamentos parciais (deslocamentos estimados
em cada comparação).
Nas equações 4, 5 e 6 são apresentadas as fórmulas
utilizadas para calcular os deslocamentos totais, tanto
angular quanto linear. Estas fórmulas atualizam o valor dos
deslocamentos a cada nova comparação feita entre Ia e Ir.
= +∆ (4)
∆
= + ∙ θ + ∆
(5)
∆
= + ∙ θ + (6)
∆
Onde = ∆ + ∆ , é o deslocamento angular do
robô, é o deslocamento linear horizontal, é o
deslocamento linear vertical, é o instante de amostragem e
∆ , ∆ e ∆ são os deslocamentos angular, horizontal e
vertical parciais, respectivamente.
Uma observação importante é que, algumas vezes, a
comparação entre duas imagens pode não ser bem sucedida,
em geral por causa de ruídos na imagem causados por
vibrações da câmera. Nesses casos, as curvas de distribuição
de diferenças de fase e de deslocamentos horizontal e
vertical deixam de ser unimodais. Nesse trabalho, esses
casos foram detectados a partir do fato de que, como a
distribuição é aproximada por uma gaussiana, quase toda a
área da curva se concentra no intervalo (µ − 2σ, µ + 2σ) e
os deslocamentos linear e angular foram estimados a partir
dos valores anteriores.
Na literatura existem diversas técnicas que podem ser
utilizadas para estimar o valor dos deslocamentos angular e
linear nesses casos, tais como os filtros de Kalman. Porém,
como esses casos não são tão frequentes, os valores de
deslocamentos não variam de forma abrupta e a inclusão de
filtros de Kalman aumentaria significativamente a
complexidade do sistema, optou-se por atribuir a média dos
últimos valores para estimar os deslocamentos quando a
correspondência das imagens não é bem sucedida.
4 Resultados
Para avaliar o funcionamento do sistema foram realizados
vários experimentos, dos quais, devido ao tamanho limitado
do artigo, apenas alguns são descritos a seguir.
Durante os experimentos foram utilizados os parâmetros
mostrados na tabela 1 e o número de pontos de interesse e
de pontos correspondentes obtidos foram em torno de 70 e
50, respectivamente.
Tabela 1: Parâmetros do sistema
PARÂMETROS VALORES
Dimensões da imagem obtida 480x320 px
Dimensões da imagem processada 300x300 px
Limiar de segmentação 62
Taxa de aquisição de imagens da câmera 30 quadros/s
Taxa de aquisição de imagens do sistema 3 quadros/s
Relação entre pixel e centímetros 17,7 px/cm
Nos dois primeiros experimentos o sistema foi testado
utilizando apenas duas imagens obtidas em instantes
diferentes. Isso foi feito para permitir que os deslocamentos
angular e linear também pudessem ser calculados
manualmente, de modo a fornecer outra medição, bastante
confiável, para avaliar os resultados obtidos pela técnica de
correspondência de imagens desenvolvida.
O primeiro experimento realizado consistiu em estimar
os deslocamentos angular e linear a partir de dois quadros
adquiridos de forma consecutiva sem deslocamento da
plataforma, a fim de analisar a resposta do sistema para o
caso de o robô estar parado. Na tabela 2 são mostrados os
valores de deslocamentos obtidos neste experimento.
Tabela 2: Resultado do Experimento 1
D. Angular D. Vertical D. Horizontal
Analítico 0° 0 px 0 px
Sistema 0° 0 px 0 px
No segundo experimento foram estimados os
deslocamentos linear e angular entre dois quadros obtidos
em diferentes instantes e posições. Os resultados obtidos
neste experimento encontram-se na tabela 3.
Tabela 3: Resultado do Experimento 2
D. Angular D. Vertical D. Horizontal
Analítico 11,2° 1,15 cm -1,84 cm
Sistema 10,9° 1,13 cm -1,86 cm
No terceiro experimento, as imagens capturadas pela
câmera a bordo da plataforma, a qual sofreu um
deslocamento angular e linear, foram processadas pelo
sistema para que este pudesse estimar as trajetórias
executadas.
Na fig. 5 são apresentadas as trajetória estimadas pelo
sistema (em azul) e a posição final esperada (em vermelho).

5
D is tâ ncia (cm )
2.5
0 Principalmente pela falta de um hardware adequado, ou
-2.5
-5
-5 5 15
b)
40
D is tâ nc ia (cm )
15
-10
-40 -30 -20 -10
Distância (cm)
Figura 5: Trajetórias estimada pelo sistema (azul) e posições finais
esperadas (vermelho).
Na fig. 5, foram utilizados círculos com um traço escuro
na direção radial para indicar a orientação da plataforma em
alguns pontos da trajetória. Na tabela 4 são apresentados os
resultados do terceiro experimento.
Tabela 4: Resultado do Experimento 3
Erro Angular ( °)
Trajetória a +1,12
Trajetória b -0,93
Trajetória c +2,06
Na tabela 4, o erro angular é dado pela diferença entre o
deslocamento angular esperado e o estimado. De forma
análoga, o erro linear é dado pela diferença entre o
deslocamento linear esperado e o estimado.
5 Conclusões
Neste artigo foi desenvolvido um sistema de estimação de
posição e orientação baseado em uma técnica de
correspondência de imagens, também apresentada neste
trabalho.
O sistema proposto foi submetido a vários testes, nos
quais o movimento de uma plataforma móvel simulou
movimentos típicos de robôs móveis. Os resultados obtidos
foram promissores, comprovando a aplicabilidade da técnica
desenvolvida.
Duas vantagens importantes do sistema proposto é que
ele se aplica a robôs sem restrições holonômicas, como pode
ser observado na figura 5.b e sua medição não é afetada pelo
deslizamento das rodas.
A técnica proposta neste trabalho mostrou-se promissora
ao encontrar a relação entre as imagens consecutivas
adquiridas pela câmera a bordo do robô móvel, fornecendo
assim uma forma de realizar a medição de posição e
orientação deste. Entretanto, a técnica desenvolvida depende
da obtenção dos pontos de interesse com o menor índice de
erro possível.
Como o foco deste artigo é a apresentação de um novo
método de correspondência de imagens baseado na
utilização das distâncias entre os pontos de interesse obtidos,
para realizar a medição do deslocamento de um robô móvel,
optou-se por utilizar técnicas simples para obtenção dos
pontos de interesse, para diminuir a complexidade do
a) sistema, o que restringiu o uso do mesmo a alguns tipos de
superfície.
seja, de um robô com câmera e sensores inerciais
25
Distância (cm)
35 45 55
embarcados e encoders nas rodas, não foi possível realizar
c)
10 os experimentos necessários para comparar o sistema
0 desenvolvido com outros baseados nas técnicas mais
-10 utilizadas em localização de robôs móveis.
D is tâ nc ia (cm )
-20 Como trabalho futuro propõe-se uma avaliação mais
-30
rigorosa do método, com o intuito de obter respostas a
-40
respeito de aspectos como o número mínimo de pontos
-50
necessário para se aplicar o método desenvolvido, a
-60
comparação do sistema proposto com os métodos mais
0 -60 -40 -20 0 20
Distância (cm) utilizados em localização de robôs móveis, a caracterização
do método e análise dos problemas causados por má
iluminação e pela vibração da câmera, e o desenvolvimento
de técnicas para obtenção de pontos de interesse em imagens
que não apresentem, necessariamente, regiões bem
definidas, aumentando a aplicabilidade do método aqui
desenvolvido para ambientes externos, por exemplo.
Erro Linear (cm) Referências Bibliográficas
2,5
2,3 Andrade, B. T.; Matos, L. N. ; Freire, E. O. Um Sistema de
5,1 Visão Computacional para Robôs Móveis. XXVI
Congresso da SBC, Campo Grande, MS, 2006.
Campbell, J.; Sukthankar, R.; Nourbakhsh, I.; Pahwa, A. “A
Robust Visual Odometry and Precipice Detection
System Using Consumer-grade Monocular Vision”.
IEEE International Conference on Robotics and
Automation, Barcelona, Spanha, Abril, 2005.
Carvalho-Filho, J. G. N.; Carvalho, E. A. N.; Molina, L.;
Freire, E. O.; Luciano, Benedito, L. A.. “High
Resolution Analogical Measurement of the Angular
Velocity of a Motor Using a Low Resolution Optical
Encoder”. Workshop Robocontrol`08. Bauru, dezembro
de 2008.
Carvalho, E. A. N.; Sá, Alan, Alves, E.; Freire, E. O.;
Matos, L. N.; Luciano, B. Estimação de Parâmetros
para Navegação de um Robô Móvel a partir de Dados
Obtidos por um Sistema de Visão Computacional”. XVI
Congresso Brasileiro de Automação, 2006.
Gonzalez, R. C.; Woods, R. E. “Digital Image Processing”.
Second Edition. Editora Prantice Hall, ISBN 0-201-
18075-8, 2002
Haralick, Robert M., and Linda G. Shapiro, Computer and
Robot Vision, Volume I, Addison-Wesley, 1992, pp.
28-48.
Heinen, F. J. “Sistema de Controle Híbrido para Robôs
Móveis Autônomos”. Dissertação de Mestrado,
Universidade do Vale do Rio dos Sinos, 2002.
Kapur, J. N.; Sahoo, P. K.; Wong, K. C. “A new method for
gray-level picture thresholding using the entropy of the
histogram. Computer Vision, Graphics, and Image
Processing”. Vol. 29, 1985, pp. 273-285.
Santos, Frederico M.; Silva, Valter F.; Almeida, Luís.
“Auto-localização em pequenos robôs móveis e
autônomos: O caso do robô Bulldozer IV”, revista
Electrónica e Telecomunicações 3(6), Abril 2002.
 FUSÃO DE DADOS DE SENSORES PARA ESTIMAÇÃO DE POSIÇÃO E
ORIENTAÇÃO DO APM AEROMÓVEL

Marcela Gonçalves dos Santos∗, Walter Fetter Lages∗

∗
Universidade Federal do Rio Grande do Sul - Departamento de Engenharia Elétrica

Emails: marcela@ece.ufrgs.br, fetter@ece.ufrgs.br

Abstract— APMs (Automated People Movers) are light vehicles used to move people in urban areas, imple-
menting a concept similar to a horizontal elevator. The Aeromóvel system is an APM system where the vehicle
is moved by air flow and requires its position to be known with a precision better then 10cm. In order to ensure
such a precision, this papers proposes a data fusion system, integrating data from different sensors by using an
extended Kalman filter. The system uses data from optical encoders in the train wheels and GPS data to estimate
the vehicle position and orientation. Since the vehicle has two trucks, with four independent wheels each one,
the proposed method groups the wheels in pairs. Each pair of wheels is used to compute an estimate of position
and orientation that is fused with estimations from other pairs of wheels and the GPS receiver. Simulated results
are presented to show the effectiveness of the approach.

Keywords— Automatic people mover, APM, Aeromóvel, Extended Kalman filter, Sensor fusion, Global po-
sitioning system, GPS, Localization.

Resumo— APMs (Automated People Movers) são veı́culos leves destinados a movimentar pessoas em ambien-
tes urbanos, em um conceito semelhante a um elevador, porém movendo-se na horizontal. O sistema Aeromóvel é
um sistema de APM onde o veı́culo é movido a ar e requer que a sua posição seja conhecida com precisão melhor
do que 10cm. Afim de garantir essa precisão, este trabalho propõe um sistema que integra os dados de diferentes
sensores através do filtro de Kalman Estendido. O sistema proposto utiliza os dados obtidos de encoders ópticos
presentes nas rodas do trem juntamente com os dados de um receptor GPS para estimar a posição e orienta-
ção. Como o veı́culo possui dois conjuntos de eixos com quatro rodas independentes cada, a estratégia proposta
aqui agrupa as rodas em pares. Cada par de rodas fornece uma estimativa da posição e orientação do veı́culo
que é fundida juntamente com as estimativas obtidas pelas demais rodas e pelo GPS. Resultados simulados são
apresentados afim de ser verificar a validade do sistema proposto.

Palavras-chave— Automatic people mover, APM, Aeromóvel, filtro de Kalman estendido, fusão de sensores,
Sistema de Posicionamento Global, GPS, Localização.

1 Introdução luta em relação à Terra.

O sistema Aeromóvel é um sistema de APM (Au-
tomated People Mover ) onde o veı́culo é movido a
ar e requer que a sua posição veı́culo seja conhe-
cida com precisão melhor do que 10cm.
O problema da localização de um veı́culo
autônomo pode ser resumido como a capacidade
do veı́culo de estimar sua posição tendo como in-
formações uma representação do ambiente onde
ele está inserido e a leitura de seus sensores (de Mi-
randa e Ribeiro, 2006).
A localização pode ser realizada de forma re-
lativa e/ou absoluta (Borenstein et al., 1996). A
localização relativa utiliza valores de posição e ori-
entação obtidas em instantes anteriores para assim
estimar valores atuais da localização do veı́culo em
relação a uma localização inicial. Já a localização
absoluta não necessita de valores calculados ante-
riormente e calcula a localização global do veı́culo.
Pode-se citar a odometria como um método de
localização relativa. Esse método está sujeito a er-
ros que são acumulados ao longo da sua aplicação
pois a posição atual depende da medição do ins-
tante anterior (Filho e Campos, 2002), tornando
esse método ineficiente quando utilizado isolada-
mente. Um exemplo de localização absoluta é o
GPS (Global Positioning System). Esse sistema
permite obter a posição do veı́culo de forma abso-
Existe um grande número de trabalhos
que utilizam GPS para estimação de posição
e orientação de veı́culos autônomos (Rezaei e
Sengupta, 2007),(Kao, 1991),(Hemerly e Schad,
2004),(Everett, 1995),(Roy et al., 1999). A pre-
cisão do GPS pode ser afetada por alguns erros
que estão relacionados com as condições atmosfé-
ricas, a quantidade de prédios e árvores existentes
na área na qual está se utilizando o sistema.
Afim de garantir a precisão requerida, este
trabalho propõe um sistema que integra os dados
de diferentes sensores através do filtro de Kalman
Estendido. O sistema proposto utiliza os dados
obtidos de encoders ópticos presentes nas rodas
do trem juntamente com os dados de um receptor
GPS para estimar a posição e orientação. Como o
veı́culo possui dois conjuntos de eixos com quatro
rodas independentes cada, a estratégia proposta
aqui agrupa as rodas em pares. Cada par de rodas
fornece uma estimativa da posição e orientação do
veı́culo que é fundida juntamente com as estima-
tivas obtidas pelas demais rodas e pelo GPS.
2 Modelagem do Veı́culo
Para se determinar a pose de um veı́culo autônomo
é necessário a determinação de um modelo cine-
mático adequado. Um modelo cinemático é um
modelo que descreve o veı́culo em função da velo-
cidade e orientação das rodas, considerando como
estado apenas a posição e orientação do veı́culo.
O modelo utilizado neste trabalho considera o veı́-
culo como sendo um corpo rı́gido dotado de rodas
que não sofrem deformação e que movimentam-
se no plano horizontal e satisfazem à condição
de rolamento sem deslizamento, ou seja, tanto as
componentes de velocidade paralela e ortogonal ao
plano a roda são nulas.
Porém a condição de rolamento sem desliza-
mento não é satisfeita pelo carro modelado neste
trabalho, a solução encontrada foi dividir as rodas
em pares e obter a posição e orientação do carro
através de cada par e por meio de odometria. Os
dados obtidos por meio de odometria são integra-
dos com a localização do veı́culo obtidas através
do receptor GPS.
Seja o veı́culo da Figura 1, deseja-se estabele-
cer seu modelo cinemático de postura. O modelo
cinemático de postura descreve o veı́culo em fun-
ção da velocidade e orientação das rodas, conside-
rando como estado apenas a posição e orientação
do veı́culo.
Figura 1: Definição dos sistemas de coordenadas.
A posição e orientação do veı́culo da Figura 1
são descritas por
 T
x= xc yc θc (1)
onde xc e yc são coordenadas do centro de massa
do veı́culo e θc é o ângulo de orientação do veı́-
culo. Além do sistema de coordenadas inercial
é estabelecido o sistema de coordenadas {Xc , Yc }
associado ao centro de massa do carro.
A velocidade linear do veı́culo da Figura 1
pode ser escrita em termos da posição e orientação
do mesmo, ou seja
 cular o deslocamento angular de cada roda pode
ẋc = vcosθc
 ser obtido através de (5 - 6)
ẏc = vsenθc (2)

θ̇c = ω

que em notação matricial fica como demonstrado
em (3).
   
ẋc cosθc 0
 ẏc  =  senθc 0  u (3)
θ̇c 0 1
com u sendo o vetor definido de acordo com (4) e
w o ruı́do de processo que segue uma distribuição
gaussiana e possui média nula e variância conhe-
cida.
 T
u= v ω (4)
onde v é a velocidade do veı́culo na direção do
seu eixo de simetria, denominada velocidade linear
e ω a velocidade angular, ambas com relação ao
sistema de coordenadas {X0 , Y0 }.
3 Sistema Proposto
É proposto um sistema de localização de veı́culos
que faz uso da fusão de dados obtidos de um GPS e
encoders. Os dados obtidos por esses sensores são
integrados através do filtro de Kalman estendido.
O veı́culo utilizado é o carro existente na linha
piloto do sistema Aeromóvel da cidade de Porto
Alegre - RS (Fig. 3). As rodas apresentam uma
curvatura em sua interface de rolagem e são en-
gastadas ao eixo com o objetivo de manter a esta-
bilidade do trem em curvas. O sistema Aeromóvel
utiliza rodas independentes, o que proporciona ao
veı́culo a possibilidade de realizar curvas com raios
muito menores que veı́culos com conjuntos de ei-
xos tradicionais (Britto, 2008).
(a) Veı́culo. (b) Linha piloto.
Figura 2: Aeromóvel Porto Alegre (Cortesia Ae-
romóvel Brasil S.A.).
3.1 Odometria
Uma das técnicas mais simples para estimação
de posição (e orientação) consiste em contar-se a
quantidade de pulsos obtidos a partir dos enco-
ders de cada roda em um certo intervalo de tempo
(Borenstein et al., 1997). Assumindo-se que não
há escorregamento e conhecendo-se o raio das ro-
das (r) e a resolução do encoder que é o número
de pulsos por volta dos encoders (N ), pode-se cal-
N Pd (k)
∆ϕd (k) = 2πr (5)
N

N Pe (k)
∆ϕe (k) = 2πr (6)
N 
com ∆ϕd (k) e ∆ϕd (k) sendo o deslocamento li-
near e N Pd (k) e N Pe (k) o número de pulsos ob-
tidos nos encoders das rodas direita e esquerda
respectivamente, no intervalo de tempo entre kT
e (k+1)T, onde T é o perı́odo de amostragem e k
é o instante de amostragem.
Neste trabalho as rodas foram separadas em
pares, com uma roda localizada a direita (roda
i, i = 1,3,5,7) e uma localizada a esquerda (roda
j, j = 2,4,6,5.5), operando com acionamento di-
ferencial. Um sistema de coordenadas para cada
par de rodas {Xij , Yij } foi definido (Figura 3). A
origem deste sistema pode ser escolhida de forma
arbitrária, para este trabalho foi escolhido o ponto
de intersecção entre o eixo de simetria e o eixo das
rodas e aponta na direção do movimento da roda.
Figura 3: Definição dos sistemas de coordenadas
de cada par de roda.
De posse do deslocamento angular da roda di-
reita (∆ϕi ) e roda esquerda (∆ϕj ) em um dado
intervalo de tempo é possı́vel obter o deslocamento
linear e angular do carro tendo como referência o
ponto no centro do eixo axial das rodas (7).
(∆ϕi + ∆ϕj )
∆D(k) = λ1 e λ2 a latitude do ponto inicial e do ponto final
2 respectivamente e φ1 e φ2 a longitude do ponto
(∆ϕi − ∆ϕj )
∆ω(k) = (7)
b A rhumb line (linha loxodrômica) é uma li-
com b sendo a distância axial entre as rodas.
E a velocidade linear e angular tendo o mesmo
ponto como referência dada por:
∆D(k)
vij =
T φ2 − φ1
∆ω(k)
wij = (8)
T onde
formando assim o vetor uij (9)
 T
uij = vij ωij (9)
Aplicando-se (9) ao modelo (3), obtém-se o
vetor s.
T
sij = ẋij ẏij θ̇ij (10)
onde (ẋij , ẏij ) são componentes da velocidade li-
near do carro na direção x e y e θ̇ij a velocidade
angular do carro, ambas com relação ao sistema
de coordenadas {Xij , Yij }.
Substituindo-se (10) em (11).
ẋij = s + Ẑ T sẐ ×c Pij (11)
onde c Pij a posição de origem do sistema {Xc , Yc }
em relação ao sistema {Xij , Yij } dada por c Pij =
[lij senβi 0 0]T , Ẑ o versor da coordenada θ, que
indica a orientação do carro e dado por [0 0 1]T e
× denota o produto vetorial.
Substituindo-se (10) em (11) e integrando-se
chega-se ao vetor xij , que é a posição e orientação
veı́culo estimadas pelo par de rodas ij.
 T
xij = xcij ycij θcij (12)
onde xcij e ycij são coordenadas do centro de
massa do veı́culo e θcij o ângulo de orientação do
veı́culo a partir do par de rodas ij, através de odo-
metria.
4 Localização baseada em GPS
O receptor GPS trabalha com o sistema de co-
ordenadas geográficas,usadas para medir posição
sobre a superfı́cie da Terra. Nesse sistema as co-
ordenadas são latitude e a longitude.
De posse da latitude e longitude do ponto ini-
cial e do ponto final de uma determinada traje-
tória é possı́vel determinar a distância entre esses
pontos e assim determinar sua posição e orienta-
ção. Existem duas maneiras de se realizar este
cálculo: rhumb line navigation e great circle navi-
gation.
Para se exemplificar os métodos de cálculo da
distância entre dois pontos tendo como dados a
latitude e longitude de cada um deles, considere
inicial e do ponto final respectivamente.
nha que intercepta vários meridianos com um ân-
gulo constante. Para se determinar a distância
entre dois pontos através desse método utiliza-se
as equações (13-14).
λ2 − λ1
DistanciaAB = tan−1 (cosκ ) (13)
φ1 + φ 2
κ= (14)
2
Já o método great circle navigation faz uso
da linha ortodrômica que é um segmento circular
na superfı́cie terrestre que define a menor distân-
cia entre dois pontos. A determinação da distân-
cia entre dois pontos através deste método é feita
através de (15 - 16)
D = cos−1 (sin φ1 sin φ2 +cos φ1 cos φ2 cos(λ1 −λ2 ))
(15)
DRT erra
DistanciaAB = π (16)
180
onde RT erra é o raio da Terra.
A longitude geográfica é o ângulo medido
ao longo do equador da Terra, tendo origem em
um meridiano de referência (o meridiano de Gre-
enwich), e extremidade no meridiano do lugar.
Na Conferência Internacional Meridiana, reali-
zada em Washington em outubro de 1884, foi de-
finida como variando de 0 a 180◦ (Oeste de Gre-
enwich) e de 0 a -180◦ (Leste).
A latitude é o ângulo medido ao longo do me-
ridiano do lugar, com origem no equador e extre-
midade no zênite do lugar. Zênite é o ponto supe-
rior da esfera celeste, segundo a perspectiva de um
observador estacionado num plano sobre a Terra,
o exato ponto acima de sua cabeça projetado na
abóboda celeste, ou a intersecção da vertical su-
perior do lugar com a esfera celeste. A latitude
então pode variar entre -90◦ e 90◦ . O sinal ne-
gativo indica latitudes do hemisfério sul e o sinal
positivo hemisfério norte.
4.1 Filtro de Kalman
O filtro de Kalman (Kalman, 1960) é um estima-
dor recursivo ótimo com relação a diversos crité-
rios que calcula uma estimativa de variância mı́-
nima para um estado que evolui no tempo a partir
de observações relacionadas linearmente com este
estado. O problema de estimação utilizando-se o
filtro de Kalman pode ser resumido da seguinte
forma: deseja-se encontrar uma estimativa do ve-
tor de estado (x̂) dado o modelo do sistema, as
condições iniciais do estado e da matriz de cova-
riância dos ruı́dos a que está sujeito o processo e
as medições, bem como uma sequência de entrada
u e as medições y. A fusão de dados através do
filtro de Kalman visa integrar a informação pro-
veniente de vários sensores para assim construir
uma estimativa mais precisa, mais robusta.
Para sistemas não lineares utiliza-se o filtro de
Kalman Estendido (EKF,Extended Kalman Fil-
ter ). O EKF consiste em linearizar de forma ana-
lı́tica o sistema em torno da estimativa do estado.
Seja o modelo não linear descrito por (17 e
18).
x(k + 1) = f (x(k), u(k)) + w(k) (17)
y(k) = h(x(k), u(k)) + v(k) (18)
As incertezas do sistema são modeladas pelo
ruı́do do processo w(k), já v(k) é o ruı́do de me-
dida. Esses ruı́dos possuem média nula e cova-
riância conhecida e são descorrelacionados, além
disso satisfazem as relações (19-21).
E{w(k)wT (k)} = Pw (k)δ(k − i) (19)
E{v(k)v T (k)} = Pv (k)δ(k − i) (20)
E{w(k)v T (i)} = 0 (21)
E{·} é o operador valor esperado e Pw (k) e Pv (k)
são matrizes diagonais formadas pelas variâncias
de w(k) e v(k), respectivamente.
O EKF é implementado utilizando-se matrizes
jacobianas de f e h que são obtidas através de line-
arização de tais funções em torno de uma estima-
tiva do estado no instante k. Assim expandindo-se
em série de Taylor as equações (17-18) em torno da
estimativa do estado no instante k e desprezando-
se os termos de ordem superior tem-se (22-23).
x(k +1) ≈ f (x̂(k|k), u(k))+F (k)[x(k)− x̂(k|k)]+w(k)
(22)
y(k) ≈ h(x̂(k|k), u(k)) + H(k)[x(k) − x̂(k|k)] + v(k)
(23)
onde
˛
∂f (x(k), u(k)) ˛˛
F (k) = (24)
∂x(k) ˛
x(k)=x̂(k|k)
˛
∂h(x(k), u(k)) ˛˛
H(k) =
∂x(k) ˛
x(k)=x̂(k|k)
T T
K(k) = P (k|k−1)H (H(k)P (k|k−1)H (k)+Pv (k))
−1
(25)
P (k|k) = (I − K(k)H(k))P (k|k − 1) (26)
x̂(k|k) = x̂(k|k − 1) + K(k)[y(k) − h(x̂(k|k − 1), u(k))] (27)
x̂(k + 1|k) = f (x̂(k|k), u(k)) + w(k) (28)
T
P (k + 1|k) = F (k)P (k|k)F (k) + Pw (k) (29)
Assim tem-se uma maneira de se obter o es-
tado estimado x̂(k|k) a partir de x̂(k|k − 1) e da
medida y(k) para um sistema não-linear como o
descrito pelas equações (17 - 18). Onde a fusão
de dados de sensores está justamente na utilização
de informações provenientes de diferentes sensores
para a formação do vetor y(k).
4.2 Integração dos sistemas
Os sistemas que irão ser integrados para obtenção
da pose do veı́culo é formado por encoders e um
receptor GPS, a integração será realizada por meio
do filtro de Kalman Estendido.
Definidas essas equações para se realizar a fu-
são de dados via filtro de Kalman para este sis-
tema, deve-se escrever o sistema de acordo com
as equações de Kalman, ou seja, definir as funções E as suas derivadas parciais com relação a es-
f (x(k), u(k)) e h(x(k), u(k)). Onde x(k) é o vetor timativa de x (x̂(k)).
de estado, y(k) é o vetor de observação e u(k) é  
a entrada do sistema, todos discretizados. Sendo 0 0 −vsenθc
x(k + 1) a discretização de x(t), tem-se F (k) =  0 0 vcosθc  (39)
0 0 0
xc (k + 1) = xc (k) + v(k)cosθc (k)T + w1 (k) (30)
 
1 0 0
 0 1 0 
yc (k + 1) = yc (k) + v(k)senθc (k)T + w2 (k) (31)
 
 0 0 1 
 
 1 0 0 
 
 0 1 0 
θc (k + 1) = θc (k) + ω(k)T + w3 (k) (32)  
 0 0 1 
As expressões (30-32) podem ser escritas no 
 1 0 0 

espaço de estados na forma  
H(k) =   0 1 0  (40)

x(k + 1) = f (x(k), u(k)) + w(k) (33)  0 0 1 
 
 1 0 0 
então 
 0 1 0 

 
v(k)cosθc (k)
 
 0 0 1 
f (x(k), u(k)) =  v(k)senθc (k)  (34)
 
 1 0 0 
ω
 
 0 1 0 
e   0 0 1
w1 (k)
w(k) =  w2 (k)  (35)
5 Resultados de Simulação
w3 (k)
O vetor de observação y(k) pode ser descrito Utilizou-se um perı́odo de amostragem de 0.05s,
por durante um intervalo de 160s. O ruı́do de me-
y(k) = h(x(k), k) + v(k) (36) dida segue uma distribuição gaussiana, bem como
  o ruı́do de processo. Tendo como o vetor de en-
xc (k) trada do sistema (41). Foram utilizados os parâ-
 yc (k)


 metros que podem ser vistos na Figura 4 e com
 θc (k)


 r igual a 0.2546 m e b igual a 1.75 m foram de-
 xc12 (k)


 terminados os valores de l, α e β de cada roda.
 yc12 (k) 
 
 θc12 (k) 
 
 xc34 (k) 
 
 yc34 (k)
h(x(k), u(k)) =  (37)


 θc34 (k) 
 
 xc56 (k) 
 
 yc56 (k) 
 
 θc56 (k) 
 
 xc78 (k) 
 
 yc78 (k) 
θc78 (k)
e  
vGP S1 (k)
 vGP S2 (k)  Figura 4: Dimensões do carro.
 
 vGP S3 (k) 
 
 vODO1 (k)  " #

 vODO2 (k) 
  20
 0.5π , k ≤ 80


  
 vODO3 (k) 

 vODO4 (k) 
 u(k) = " # (41)
 20
 −0.5π , k > 80.
  
 vODO5 (k)  

v(k) =   (38)
 vODO6 (k) 

 vODO7 (k)  O ruı́do de medida tem a covariância dada
 
 vODO8 (k) 
  por Pw =diag[0.8,0.8,4], já o ruı́do de medida v(t),
 vODO9 (k) 
  tem a covariância dada por Pv =diag[0.04, 0.04, 4,
 vODO10 (k)  2rπ/Np , 2rπ/Np , 4, 2rπ/Np , 2rπ/Np , 4, 2rπ/Np ,
 
 vODO11 (k) 
  2rπ/Np , 4, 2rπ/Np , 2rπ/Np , 4], que contém o des-
 vODO12 (k)  vio padrão dos elementos do vetor de observação,
vODO13 (k) com Np igual a 512.
 O valor inicial da estimativa da posição e da baseada em técnica bayesiana para localiza-
orientação do veı́culo é dada pela tripla ([0 0 45◦ ]) ção de robôs móveis, XIV Congresso Brasi-
e o comportamento das estimativas podem ser vis- leiro de Automática 17: 391 – 408.
tos na Figuras (5a, 5b), na qual pode-se ver tam-
bém o valor nominal da posição e orientação. Everett, H. R. (1995). Sensors for mobile robots:
theory and application, A. K. Peters, Ltd.,
30
Trajetoria estimada Natick, MA, USA.
20
Nominal
Odometros e GPS (Kalman)
Filho, J. H. V. e Campos, M. F. M. (2002). Uma
10
metodologia de correção automática de erros
de odometria durante a navegação do robô,
Y[m]

−10
XIV Congresso Brasileiro de Automática .
−20
Hemerly, E. M. e Schad, V. R. (2004). Sistema
−30
−15 −10 −5 0
X[m]
5 10 15 de navegação de baixo custo baseado na fu-
são ins/gps usando filtro de kalman, XV Con-
(a) Posição.
gresso Brasileiro de Automática 1.
Orientacao estimada
7
Kalman, R. E. (1960). A new approach to linear
6

Nominal
Odometros e GPS (Kalman)
filtering and prediction problems, Transacti-
5

4
ons of the ASME–Journal of Basic Enginee-
ring 82(Series D): 35–45.
Theta[rad]

1
Kao, W.-W. (1991). Integration of gps and dead-
0 reckoning navigation systems, Vehicle Navi-
−1
0 20 40 60 80
t[s]
100 120 140 160 180
gation and Information Systems Conference,
1991 2: 635–643.
(b) Orientação.
Rezaei, S. e Sengupta, R. (2007). Kalman filter-
Figura 5: Posição e orientação estimadas. based integration of dgps and vehicle sensors
for localization, Control Systems Technology,
IEEE Transactions on 15(6): 1080–1088.

6 Considerações Finais Roy, N., Burgard, W., D. Fox, D. e Thrun, S.

(1999). Coastal navigation-mobile robot na-
Neste trabalho foi feita a modelagem do veı́culo vigation with uncertainty in dynamic envi-
autônomo da Figura 1. Foi implementado um sis- ronments, Robotics and Automation, 1999.
tema de localização deste veı́culo. Se propôs re- Proceedings. 1999 IEEE International Con-
alizar fusão de dados de sensores utilizados para ference on 1: 35–40 vol.1.
localização de veı́culos, para o estudo apresentado
neste trabalho os sensores foram encoders ópticos
presentes nas rodas e receptores GPS. Para a fu-
são dos dados dos sensores utilizou-se o filtro de
Kalman estendido.

Referências

Borenstein, J., Everett, H. R. e Feng, L. (1996).

Where am i? Sensors and methods for mobile
robot positioning, University of Michigan.

Borenstein, J., Everett, H. R., Feng, L. e Wehe,

D. (1997). Mobile robot positioning: Sensors
and techniques, Journal of Robotic Systems
pp. 231–249.

Britto, J. F. F. H. (2008). Modelo Computacional

do sistema Aeromóvel de transportes, Disser-
tação (mestrado em engenharia mecânica),
Universidade Federal do Rio Grande do Sul.

de Miranda, F. L. N. e Ribeiro, C. H. C. (2006).

Extração automática de mapas de atributos
 ESTIMAÇÃO DE POSIÇÃO E VELOCIDADE DE ROBÔS MÓVEIS COM RESTRIÇÕES HOLONÔMICAS UTILIZANDO
SENSORES DE FLUXO ÓPTICO E FILTRO ALFA-BETA.

LUCAS MOLINA1,2, MATHEUS A. MOURA1, ELYSON A. N. CARVALHO1,3, EDUARDO O. FREIRE1

1
Departamento de Engenharia Elétrica da Universidade Federal de Sergipe – DEL/UFS, São Cristóvão-SE, Brasil.
E-mails: lmolina@ufs.br; mtmoura1@Hotmail.com.br; ecarvalho@ufs.br; efreire@ufs.br

2
Programa de Engenharia Elétrica da Universidade Federal do Rio de Janeiro – PEE/COPPE/UFRJ, Rio de Janeiro-RJ,
Brasil.

3
Departamento de Engenharia Elétrica da Universidade Federal de Campina Grande – DEE/UFCG, Brasil.

Abstract This paper presents a state estimation system (position and velocity) of a mobile robot, using a low cost optical flow sensor
with an α-β filter. The limitations of the sensor during the execution of distinct trajectories are presented, and the viability of its application
in robots with holonomic restrictions is shown. The position information given by the optical flow sensor is incremental and of low
resolution, which generates an error propagation in determining the position of the robot and makes the information about velocity
unusable by a state feedback system. The use of α-β filter as a solution to these problems is proposed.

 State Estimation, Optical Flow Sensor, α-β filter, Odometry, Mobile Robots.
Keywords

Resumo  Neste trabalho é apresentado um sistema de estimação de estados (posição e velocidade) de um robô móvel, utilizando um
sensor de fluxo óptico de baixo custo juntamente com um filtro α-β. São apresentadas as limitações do sensor ao executar trajetórias
distintas e comprovada a viabilidade de aplicação deste tipo de sensor para robôs com restrições holonômicas. A informação de posição
disponibilizada pelo sensor de fluxo ótico é de baixa resolução e incremental, o que gera uma propagação de erro na determinação da
posição do robô e inviabiliza a utilização da velocidade em uma realimentação de estado. A utilização do filtro α-β é proposta como uma
solução para estes problemas.

 Estimação de Estados, Sensor de Fluxo Óptico, Filtro α-β, Odometria, Robôs Móveis.
Palavras-chave

1. Introdução do mais usado é a odometria, no qual as velocidades,

As aplicações envolvendo robôs móveis autônomos
vêm crescendo significativamente nos últimos anos. Um
dos fatores que impulsionam esse crescimento é a gran-
de diversidade de tarefas que podem ser executadas por
estes tipos de robôs, graças à sua capacidade de loco-
moção, diferentemente dos manipuladores industriais. A
utilização de robôs móveis vem crescendo em diversos
setores, como, por exemplo, em segurança industrial,
operações de resgate e tarefas cooperativas. A correta
execução destas tarefas está estritamente ligada à per-
cepção sensorial do robô na interação agente-ambiente,
onde a posição e velocidade do robô em relação ao
ambiente são essenciais para o correto funcionamento
de um sistema de controle autônomo.
A variedade de estruturas mecânicas existentes atu-
almente para um robô móvel é fruto de anos de pesquisa
nesta área. Dentre elas destacam-se os veículos terres-
tres, por sua maior aplicabilidade e entre estes uma
maior atenção é dada aos robôs móveis com rodas, pela
simplicidade eletro-mecânica quando comparados a
outras estruturas.
A navegação destes veículos consiste em determinar
uma função contínua que respeite suas restrições cine-
máticas e evolua no tempo, segundo as restrições im-
postas pelo problema quanto à posição e orientação
iniciais e finais e quanto à velocidade do movimento.
Nesse sentido, um dos grandes desafios da robótica é
determinar com exatidão a localização de um robô mó-
vel durante a sua operação. Existem diversos métodos
para determinar a localização de robôs móveis. O méto-
linear e angular do robô, são integradas ao longo do
tempo para determinar a sua posição (Carvalho-Filho et
al., 2008).
Os sensores de fluxo óptico, encontrados em mouses
ópticos, possuem a capacidade de informar o desloca-
mento executado por estes. Estes sensores foram utili-
zados em (Palacin et al., 2006; Bradshaw et al., 2007;
Ng, 2003) para fornecer informações sobre o posicio-
namento do robô em relação ao ambiente. Entretanto,
devido à sua natureza incremental o sistema de medição
fornece apenas informações quantizadas sobre a posição
do robô, o que aumenta o erro acumulado.
A informação de velocidade, essencial para o fun-
cionamento do sistema de controle, não é disponibiliza-
da por estes sensores, e sua obtenção não é abordada em
(Palacin et al., 2006; Bradshaw et al., 2007). Além
disso, a diferenciação da posição no tempo para a ob-
tenção da velocidade fornece informações imprecisas
sobre a mesma, comprometendo o funcionamento do
sistema de navegação.
Sendo assim, neste artigo é proposto um sistema de
estimação para contornar estes problemas.
A organização deste artigo é descrita a seguir. A Se-
ção 1 é esta introdução. A Seção 2 é uma breve descri-
ção do sensor e de seu funcionamento. Na Seção 3 o
sensor é utilizado para medir o posicionamento de um
robô móvel em relação ao ambiente e estimar a veloci-
dade pelo método de diferenciação no tempo. Na Seção
4 é apresentado o método de estimação de posição e
velocidade utilizando o filtro α-β. Os resultados obtidos
com este método também são apresentados nesta seção.
Por fim são apresentadas as conclusões e possíveis
trabalhos futuros na Seção 5, seguida dos agradecimen-
tos e das referências bibliográficas utilizadas.
2. O Sensor de fluxo óptico
Problemas na determinação da posição de robôs móveis
incluem os erros sistemáticos introduzidos pelos dispo-
sitivos mecânicos utilizados e erros não sistemáticos
causados por terrenos irregulares, ou mesmo pelo escor-
regamento das rodas no chão, nos casos de terrenos de
baixo atrito (Bonarini et al., 2004; Borenstein et al.,
1996). Esse último é, em especial, bastante prejudicial
para o caso da estimação de posição baseada em enco-
ders, onde as medições são feitas no eixo do motor (ou
da roda) independente dela deslizar ou não no chão.
O sensor existente no mouse óptico utiliza o fluxo
óptico para a determinação do seu deslocamento. Posi-
cionando corretamente este sensor em um robô móvel é
possível determinar a posição do robô sem estar susce-
tível a erros devidos ao deslize das rodas no piso, por
exemplo.
Inicialmente desenvolvidos em 1999 pela Agilent
Technologies, estes chips possuem uma pequena câmera
CMOS voltada para baixo (Figura 1), que captura ima-
gens (16x16) que são então processadas no mesmo
dispositivo (Palacin et al., 2006).
Figura 1. Ilustração do sensor de fluxo óptico utilizado neste
trabalho.
Este sensor determina matematicamente a variação
dos quadros capturados pela câmera, obtendo assim
informações sobre o movimento realizado pelo disposi-
tivo em relação ao ambiente.
Fluxo óptico é a distribuição bidimensional da velo-
cidade aparente do movimento dos padrões de intensi-
dade no plano da imagem e está associado a um campo
de vetores velocidade, podendo ser convertido em veto-
res de deslocamento (Laureano et al., 2004). No caso do
mouse, a informação que é disponibilizada pelo sensor é
diretamente o deslocamento.
As imagens adquiridas são processadas utilizando
um processador digital de sinal (DSP), localizado no
mesmo circuito integrado que a câmera CMOS. Esse
DSP calcula a variação de deslocamento em quadratura
x e y (horizontal e vertical), fornecendo na saída do
sensor uma informação incremental sobre o posiciona-
mento relativo entre os quadros captados pelo dispositi-
vo CMOS.
Movimento
Estado Estado
0 1
Movimento
Figura 2. Autômato G cujo estado caracteriza a resposta do
sensor ao movimento observado.
O sensor encontrado no mouse óptico apresenta três
importantes características (Palacin et al., 2006; Brad-
shaw et al., 2007):
• A informação fornecida pelo sensor de fluxo
óptico tem sua precisão diminuída ao medir desloca-
mento em superfícies refletoras e superfícies transparen-
tes, o que resulta em erro na medição do fluxo óptico.
• Existe uma limitação de altura para o funcio-
namento do sistema baseado na estrutura do sensor do
mouse óptico entre 2,3 e 2,5 mm do solo até o sensor.
• Baixo nível de erro associado às linearizações
das equações feitas pelo DSP para obtenção dos deslo-
camentos equivalentes.
A informação de posição na saída do sensor é equi-
valente ao estado do autômato G apresentado na Figura
2 (General description, 2003) onde a mudança de esta-
do desse autômato significa a ocorrência de desloca-
mento do sensor em relação à superfície. Quatro autô-
matos como este são utilizados para caracterizar o mo-
vimento do sensor no plano Cartesiano, dois para o
movimento no eixo x (Gxa e Gxb) e outros dois para o
movimento no eixo y (Gya e Gyb). Os deslocamentos no
eixo x e y calculados pelo sensor são desacoplados.
Figura 3. Trajetória do estado de Gya e Gyb para um deslocamento
em y com sentido: a) Positivo. b) Negativo.
O sentido do deslocamento na direção y é determi-
nado pela relação entre as transições de estado de Gya e
Gyb. O deslocamento do sensor em um dado sentido
adotado como positivo, gera uma mudança de estado
em Gya e depois a mesma mudança ocorre em Gyb (Figu-
ra 3.a). Para o mesmo deslocamento só que em sentido
contrário, é observada uma mudança de estado, primei-
ro em Gyb, depois em Gya (Figura 3.b). O mesmo vale
para o sentido do deslocamento no eixo x, só que com
relação às transições de estado dos autômatos Gxa e Gxb.
Essa defasagem possibilita determinar o sentido do
deslocamento da plataforma móvel em relação ao ambi-
ente.
A velocidade de deslocamento afeta diretamente o
intervalo de tempo entre as transições de estado dos
autômatos. Quanto mais rápido for o movimento do
robô, menor será o tempo discorrido entre duas transi-
ções. Vale salientar que o intervalo entre as transições
ocorridas em Gxa e Gxb é o mesmo, já que estes possuem
o mesmo comportamento só que defasados a depender
do sentido. O mesmo vale para Gya e Gyb.
3. Estimação de posição e velocidade utilizando um
sensor de mouse óptico (sensor de fluxo óptico).
Conforme explicado na Seção 2, a informação sobre o
deslocamento do sensor é disponibilizada de forma
discreta e incremental. Assim, a partir da contagem do
número de transições de estados ocorrida em Gy e Gx,
juntamente com as considerações a respeito do sentido
do deslocamento (Seção 2), é possível calcular a magni-
tude do movimento efetuado pelo sensor e, consequen-
temente, a posição do robô no ambiente. Para tanto, é
necessário estabelecer uma relação entre o número de
transições observadas e o deslocamento em centímetros
realizado pelo robô móvel.
3.1 Calibração do sistema de medição
Para calibrar corretamente o sensor é necessário avaliar
a sua resposta em todas as possíveis situações às quais
ele possa vir a ser submetido. Utilizando uma platafor-
ma móvel, foram realizados diversos experimentos
considerando apenas movimento linear, apenas movi-
mento angular e a composição destes. Os resultados são
apresentados a seguir.
3.1.1 Movimento apenas linear – Translação
Os movimentos com deslocamento apenas linear podem
ser de quatro tipos: translação no eixo x (Figura 4.a),
translação no eixo y (Figura 4.b), uma reta com transla-
ção em x e y (Figura 4.c) e uma circunferência (Figura
4.d). Em todos os casos a plataforma móvel foi desloca-
da somente linearmente, ou seja, sem rotação na mes-
ma, como ilustrados na figura 4.
Foram realizados diversos experimentos nas quatro
situações ilustradas. Os resultados obtidos para a conta-
gem média de transições de estado observadas em cada
uma das trajetórias são apresentados na tabela 1.
Tabela 1. Experimentos com translação.
Transições Transições Distância Distância
Movimento
x (no) y (no) x (cm) y (cm)
Figura 4.a 0 1826 0 100
Figura 4.b 1770 0 100 0 tipos de movimento compõem este conjunto: translação
Figura 4.c 871 909 60 60
Figura 4.d 1084 1148 70 70
A partir dos resultados da tabela 1, é possível obter
uma constante de calibração para cada eixo (x e y),
apenas dividindo o somatório do número de transições
observadas nos mesmos, pelo somatório das respectivas
distâncias percorridas em centímetros. Os valores obti-
dos experimentalmente para estas constantes foram Kx =
15,98 Transições/cm e Ky = 16,63 Transições/cm.
a) b)
c) d)
Figura 4. Movimento linear: a) Eixo x. b) Eixo y. c) Em diagonal.
d) Em circunferência.
Com as constantes determinadas e a contagem de
pulsos do sensor durante um movimento qualquer é
possível obter a distância percorrida pelo mesmo em
ambas as direções desacopladas e em centímetros.
3.1.2 Movimento apenas angular – Rotação
Nos experimentos realizados apenas com a rotação do
sensor foram considerados os dois comportamentos
possíveis: rotação no sentido horário (Figura 5.a) e
rotação no sentido anti-horário (Figura 5.b).
Figura 5. Movimento angular: a) Sentido horário. b) Sentido anti-
horário.
Considerando uma rotação de 360o no sensor em
ambos os sentidos, foram observadas em média 8 tran-
sições de estado em cada um dos eixos (x e y), o que
evidencia a insensibilidade do sensor a movimentos
puramente angulares, tornando a calibração do mesmo
para esta situação desnecessária.
Isso se deve à baixa resolução das imagens captura-
das e à proximidade do sensor do solo, o que impossibi-
lita a percepção de movimentos deste tipo, quando o
sensor está localizado no centro de rotação.
3.1.3 Movimento combinado – Em arco
Os movimentos combinados ocorrem quando existe
deslocamento linear e angular ao mesmo tempo. Dois
no eixo x e rotação no eixo y (Figura 6.a) e rotação no
eixo x e translação no eixo y (Figura 6.b). Foram reali-
zados experimentos em ambas as situações.
 sua posição de partida. O resultado obtido é apresentado
na Figura 8.a.

Figura 7. Robô com tração diferencial evidenciando o posiciona-

Figura 6. Movimento em arco: a) Translação no eixo x e rotação no
mento dos sensores no robô.
eixo y. b) Translação no eixo y e rotação no eixo x.
Com a informação de posição (Figura 8.a) é possível
estimar a velocidade de forma direta, utilizando o con-
Os resultados obtidos para a contagem média de
transições de estado observadas em cada uma das traje- ceito de derivada como segue:
tórias são apresentados na tabela 2.     1

  1


Tabela 2. Experimentos com movimento composto.
onde y(k) e y(k-1) são a posição atual e a anterior do
Transições Transições Distância Distância robô, capturada pelo sensor e dt é o intervalo de tempo
Movimento
x (no) y (no) x (cm) y (cm) entre as amostras. A velocidade estimada através da
Figura 6.a 1778 7 185,34 0 equação 1, para o deslocamento apresentado na Figura
Figura 6.b 6 1808 0 157,08 8.a, está ilustrada na Figura 8.b.

Comparando os resultados das tabelas 1 e 2 é possí-

vel notar uma diferença entre a quantidade de transições
observadas para uma mesma distância percorrida pelo
sensor. As constantes de conversão Kx e Ky, calculadas
para os valores da tabela 2 são 9,6 e 11,5, respectiva-
mente. Esses valores são bem menores que os obtidos
através de movimentos puramente lineares, o que indica
uma resolução muito menor na medição do sensor para
este tipo de deslocamento, o que caracteriza a necessi-
dade de uma calibração diferenciada nesses casos.

3.2 Restrições holonômicas

A calibração diferenciada do sensor para os movimen-
tos em arco (Figura 6) faz necessário um método mais
sofisticado para a conversão de número de transições de
estado para centímetros. Entretanto, a depender do posi-
cionamento do sensor no robô, este tipo de movimento
não ocorrerá caso o mesmo possua restrições holonômi-
cas, mais especificamente em robôs com tração diferen-
cial (Figura 7). Para robôs com tração diferencial, o uso
dos valores de Ky e Kx obtidos na seção 3.1.1 é suficien- Figura 8. a) Posição estimada pelo método direto. b) Velocidade
te para estimar o movimento do sensor. estimada pelo método direto.
Considerando ainda o posicionamento dos sensores
(S1 e S2) indicados na Figura 7, é possível determinar o
movimento do robô através apenas de uma composição 4. Estimação de posição e velocidade utilizando o
dos movimentos observados no eixo y de cada um dos Filtro α-β.
sensores, já que as restrições holonômicas apresentadas
impossibilitam movimentos de translação no eixo x do
mesmo. A medição de posição obtida na Seção 3 possui um erro
de quantização associado a ela devido à natureza discre-
ta do sensor. Além disso, assim como nos encoders
3.3 Estimação direta de posição e velocidade ópticos, tradicionalmente utilizados para estimar a posi-
Nos experimentos que seguem, o sensor é submetido a ção do robô através de odometria, a informação de
movimentos considerando as restrições holonômicas posição é incremental, o que gera um erro acumulado
citadas na seção 3.2, o que faz necessário somente a que aumenta proporcionalmente à duração do movimen-
observação do deslocamento do sensor no eixo y. to.
Observando o sentido do movimento através da defa- Esses erros na determinação da posição são propaga-
sagem entre as transições de estado de Gya e Gyb é pos- dos e amplificados no cálculo da velocidade. O resulta-
sível estimar a posição relativa do sensor em relação à do é uma medição de velocidade muito sensível às vari-
ações abruptas de posição devido às limitações de reso-
lução do sensor, o que impossibilita a utilização dessa
variável na realimentação de estados de um controlador,
sem que se coloque em risco o desempenho do sistema
de navegação.
No intuito de aumentar a confiabilidade da informa-
ção obtida na Seção 3 é proposta a utilização do filtro α-
β como uma etapa de pós-processamento.
A relação ótima entre os parâmetros α-β é obtida pela
equação:
%  22  (  4√1  ( 13
Combinando as equações 12 e 13, os valores ótimos
dos parâmetros α-β podem ser obtidos explicitamente
em termos de Λ, através das equações 14 e 15 que
seguem:
4.1 Filtro α-β !Λ  8Λ  Λ  4√Λ  8Λ#
( 14
8
O filtro α-β é uma solução ótima do filtro de Kalman
para processos estacionários em espaço de estados (Ka-
lata et al., 1997). As equações são simplificadas em
relação ao filtro de Kalman, pois no cálculo do modelo
os seguintes parâmetros são considerados constantes
(Kalata et al., 1997):
• Período de amostragem;
• Variância do ruído medido;
• Aceleração.
Considerando o deslocamento relativo entre o sensor
e o ambiente descrito como y(k) e supondo este deslo-
camento linear, as seguintes equações descrevem esse
movimento.

Λ  4Λ  Λ√Λ  8Λ
β 15
4
4.2 Estimação utilizando Filtro α-β
Aplicando o filtro α-β aos dados do experimento de-
monstrado na Figura 8, são obtidas as curvas de posição
e velocidade ilustradas nas Figuras 9.a e 9.b, respecti-
vamente. Através da análise dos gráficos da Figura 9 é
possível observar a eficiência do processo de estimação
utilizando o filtro α-β, principalmente no que diz respei-
to à velocidade, cuja variância do erro de medição di-
minuiu consideravelmente.
  1   

  
   2

  1 
 
  3
Onde T0 é período de amostragem e w(k) é a
aceleração desconhecida do movimento observado pelo
sensor.
O deslocamento do sensor é observado a partir dos
dados medidos pelo mesmo. Essas medidas podem ser
modeladas pela equação:
     4
onde n(k) é o ruído de medição, cuja distribuição deve
poder ser modelada por uma gaussiana para garantir a
otimalidade da estimação.
Considerando o caso específico deste trabalho, as
equações do filtro α-β utilizadas são apresentadas a
seguir:
Equações do Movimento Linear:
  1   

 5
Medição:
Figura 9. a) Posição estimada pelo método direto e filtro α-β.
     6 b) Velocidade estimada pelo método direto e filtro α-β.
Predição:
  1|  | 

| 7 Um resultado semelhante ao apresentado na Figura 9
pode ser observado também na Figura 10, onde todo o
Estimação: experimento é repetido para uma trajetória com mais
  1|  1    1|  Α 8 oscilações nas grandezas estimadas.

  1|  1 
|  Β 9
6. Conclusões e trabalhos futuros
onde:
Α  α!"   1    1|# 10
Neste trabalho foi apresentado um método de medição e
% estimação de posição e velocidade, utilizando o sensor
Β !   1    1|# 11

 " de fluxo óptico presente nos mouses comerciais. O
De acordo com (Kalata et al., 1997), o índice Λ é dado funcionamento do sensor foi exaustivamente verificado
por: para todas as possíveis formas de deslocamento para as
quais ele pudesse ser submetido (Figuras 4, 5 e 6), com
β
Λ  12 o intuito de obter uma calibração adequada para o sen-
1α sor utilizado. Um dos resultados mais importantes obti-

Figura 10. a) Posição estimada pelo método direto e filtro α-β.
b) Velocidade estimada pelo método direto e filtro α-β.
dos através destes experimentos é a pequena diferença
entre a contagem de transições de estado observada para
uma mesma distância, o que permitiu a obtenção de Kx
e Ky, para movimentos lineares (Figura 4), que conver-
tem diretamente o número de transições de estados em
centímetros através de uma simples divisão (Seção 3).
Contudo, o método proposto como alternativa de
baixo custo ao uso de encoders convencionais apresen-
tou resultados com alta variância para o ruído de esti-
mação de velocidade (Figura 8). Nesse contexto, o
Filtro α-β é apontado como uma solução ótima no sen-
tido da minimização da variância do ruído de medição.
Após a etapa de pós-processamento utilizando o esti-
mador ótimo (Figuras 9 e 10), pode ser observada uma
atenuação considerável nesse ruído, que se não tratado
corretamente, poderia comprometer o desempenho de
um sistema de controle quando essas variáveis fossem
utilizadas como realimentação de estado.
Entretanto, o sensor apresentou uma resolução dife-
renciada para os casos de movimento composto por
translação e rotação, o que impossibilita o uso de Kx e
Ky em robôs sem restrições holonômicas. Como traba-
lho futuro, é proposto o desenvolvimento de uma estra-
tégia de decisão para determinação do tipo de movimen-
to executado pelo robô (translação, rotação ou arco), e
partir desta informação escolher as constantes de con-
versão mais adequadas.
Todos os experimentos foram realizados com ape-
nas um sensor estimando a posição e a velocidade na
direção y, pois com esta informação, proveniente de
dois sensores dispostos como ilustrado na Figura 7, é
possível determinar facilmente o deslocamento, orienta-
ção e as velocidades linear e angular de um robô como
um todo (Freire, 2002). Entretanto, a adequação de um
robô para carregar um par de sensores como este, não é
trivial e requer certa precisão no posicionamento dos
mesmos para garantir a confiabilidade dos dados. Como
um segundo trabalho futuro é proposto o estudo da
propagação das incertezas de posicionamento do sensor
no robô móvel nos dados obtidos por eles.
Para o caso de robôs sem restrições holonômicas o
estudo do número de sensores a utilizar para melhor
definir as trajetórias realizadas por ele e o posiciona-
mento relativo entre estes sensores também é um traba-
lho a ser considerado posteriormente.
Agradecimentos
Os autores gostariam de agradecer ao CNPq, à
CAPES e ao CENPES/PETROBRAS pelo suporte fi-
nanceiro e aos colegas pesquisadores do Departamento
de Engenharia Elétrica da Universidade Federal de
Sergipe que contribuíram com este trabalho.
Referências Bibliográficas
Bonarini, A.; (2004) A Kinematic-independent Dead-
reckoning Sensor for Indoor Mobile Robotics.
IEEE/RSJ International Conference on Intelligent
Robots and Systems. Japão.
Borenstein, J.; Everett, H. R.; Feng, L. (1996) Where
am I? Sensors and Methods for Mobile Robot
Positioning.
Bradshaw, J.; (2007) On the Development of an
Enhanced Optical Mouse Sensor for Odometry and
Mobile Robotics Education. 39th Southeastern
Symposium on System Theory. Annapolis.
Carvalho-Filho, J. G. N.; Carvalho, E. A. N.; Molina,
L.; Freire, E. O.; Luciano, Benedito, L. A.. (2008)
“High Resolution Analogical Measurement of the
Angular Velocity of a Motor Using a Low
Resolution Optical Encoder”. Robocontrol`08.
Freire, E. O. (2002) Controle de Robôs Móveis por
Fusão de Sinais de Controle Usando Filtro de
Informação Descentralizado. PhD thesis.
Gamarra, Daniel F. T. (2008) Controle da Navegação de
um Robô Móvel em um Corredor com
Redundância de Controladores.
General description.(2003). PAN101B CMOS Optical
Navegation Sensor. Pixart Imaging INC.
Kalata, P. R.; Murphy, K. M. (1997) Alpha-Beta Target
Tracking and Track Rate Variations. Proc. of the
29th Southeastern Symposium on System Theory,
p. 70-74.
Kim, S.; Jeong, I.; Lee, S. (2007) Mobile Robot
Velocity Estimation Using an Array of Optical
Flow Sensors. International Conference on Control,
Automation and Systems.
Laureano, G. T.; De Paiva, M. S. V. (2004) Detecção de
Obstáculos Utilizando Fluxo Óptico em Seqüências
de Imagens.
Ng, T.W. (2003) The optical mouse as a two-
dimensional displacement sensor, Sensors and
Actuators A, vol. 107, pg. 21–25.
Palacin, J.; Valgañon, I.; Pernia, R. (2006) The optical
mouse for indoor mobile robot odometry
measurement. Sensors and Actuators A, vol. 126,
pg. 141–147.
Thakoor, Sarita, et al (2004) Insect-Inspired Optical-
Flow Navigation Sensors; NASA’s Jet Propulsion
Laboratory.