Ταυτόχρονη χαρτογράφηση και εντοπισμός με τεχνικές ευφυών συστημάτων

Abstract

The current doctoral thesis deals with the problem of the Simultaneous Localization And Mapping known as SLAM. During the research two new and novel methods were proposed, the L-SLAM and the G-SLAM. Both methods use the probabilistic approach of the problem. L-SLAM is based on the observation that almost all kinematic models can be separated into two parts, alinear and a non linear. Exactly like the FastSLAM methods in L-SLAM the first is estimated with particle filters and the second with Kalman filters. The novelty of our method is that only the non linear part of the kinematic model is estimated using particle filters, while the remaining linear part is estimated with Kalman filters. In contrast with FastSLAM which deals the whole kinematic model with particle filters, in L-SLAM using only a part of it we reduce its dimensionality and therefore its complexity from O^3 to O^1 for 2D problems. Also in L-SLAM linear Kalman filters are used, while in FastSLAM it is used non linear Extended Kalman filters. Also it is described the extension of the L-SLAM from the 2D to 3D environments. In this situation the dimensionality reduction is bigger and the subsequent complexity is reduced from O^6 to O^3.The second method we have developed is G-SLAM. In contrast to the previous methods, G-SLAM produces maps of a much better resolution, a very important capability for indoor mobile robots. Many high resolution methods were proposed in the robotics literature. Most of them are based on the Grid Occupancy SLAM. G-SLAM is based on the observation that all of these methods are calculating over and over meaningless point on the map. In G-SLAM the map consists of a scattered points set which using G-SLAM technique tends to gather around obstacles, producing a high resolution map with much less amount of map points.Finally it is presented experimental results from all methods using simulated dataset and datasets from real case scenarios.

Η παρούσα διατριβή πραγματεύεται το πρόβλημα της ταυτόχρονης Χαρτογράφησης και Εντοπισμού, επίσης γνωστό ως SLAM (Simoultaneous Localization And Mapping). Στα πλαίσια της διατριβής αναπτύχθηκαν δυο νέες μέθοδοι, η L-SLAM και η G-SLAM. Και οι δύο αυτές μέθοδοι χειρίζονται το πρόβλημα πιθανοτικά. Η μέθοδος L-SLAM βασίζεται στην παρατήρηση ότι σχεδόν όλα τα κινηματικά μοντέλα των ρομποτικών οχημάτων μπορούν να διαχωριστούν σε γραμμικά και μη γραμμικά τμήματα. Όπως ακριβώς συμβαίνει και με της μεθόδους FastSLAM έτσι και στο L-SLAM το πρόβλημα διαχωρίζεται σε δύο τμήματα στα οποία στο μεν πρώτο γίνεται εκτίμηση με particle filters και στο δεύτερο με Kalman φίλτρα. Η καινοτομία της L-SLAM έγκειται στο γεγονός ότι διαχωρίζεται το κινηματικό μοντέλο στο μη γραμμικό του τμήμα το οποίο εκτιμάτε με particle filters και στο γραμμικό που εκτιμάται με γραμμικά φίλτρα Kalman. Η συνεισφορά αυτής της μεθόδου είναι ότι μειώνει της διαστάσεις του partlce φίλτρου από τρεις που χρησιμοποιούνται στο FastSLAM σε μια σε δισδιάστατα προβλήματα. Μειώνοντας τις διαστάσεις του particle φίλτρου μειώνεται και η πολυπλοκότητα από O^3 σε O^1. Επίσης οι καταστάσεις που περισσεύουν είναι γραμμικές και εκτιμώνται με γραμμικά Kalman φίλτρα έναντι της μεθόδου FastSLAM που χρησιμοποιεί μη γραμμικά Extended Kalman φίλτρα. Επίσης περιγράφεται η επέκταση της μεθόδου αυτής στον τρισδιάστατο χώρο όπου τα οφέλη είναι μεγαλύτερα καθώς μειώνεται η πολυπλοκότητα του τρισδιάστατου προβλήματος από O^6 σε Ο^3.Η δεύτερη μέθοδος που αναπτύξαμε είναι η G-SLAM. Σε αντίθεση με τις προαναφερθείσες μεθόδους η G-SLAM παράγει χάρτες μεγαλύτερης ευκρίνειας γεγονός πολύ σημαντικό όταν ένα ρομποτικό όχημα κινείται σε εσωτερικούς χώρους. Είναι αρκετές οι αντίστοιχες μέθοδοι που έχουν προταθεί και παράγουν χάρτες υψηλής ευκρίνειας και βασίζονται στο Grid Occupancy. Η G-SLAM βασίζεται στην παρατήρηση ότι όλες αυτές οι μέθοδοι αναλώνονται στο να εκτιμούν σημεία του χώρου τα οποία είναι ασήμαντα όπως τα σημεία του χώρου στα οποία δεν υπάρχουν εμπόδια. Στη μέθοδο G-SLAM ο χάρτης αποτελείται από διάσπαρτα σημεία τα οποία με την τεχνική του G-SLAM συσσωρεύονται γύρω από τα εμπόδια. Τέλος παρατίθενται πειραματικά αποτελέσματα με τη χρήση συνθετικών αλλά και πραγματικών δεδομένων και γίνεται σύγκριση με όλες τις προαναφερθείσες μεθόδους.