• Media type: E-Book; Thesis
  • Title: Robust graph-based localization and mapping
  • Other titles: abweichender Titel: Übers. des Hauptsacht.: Robuste Graph-basierte Lokalisierung und Kartierung
    Übers. des Hauptsacht.: Robuste Graph-basierte Lokalisierung und Kartierung
  • Contributor: Agarwal, Pratik [Author]
  • Published: 2015
  • Extent: Online-Ressource
  • Language: English
  • Identifier:
  • Keywords: SLAM-Verfahren > Automatische Kartierung > Ortsbestimmung
  • Origination:
  • University thesis: Freiburg i. Br., Univ., Diss., 2015
  • Footnote:
  • Description: Zusammenfassung: Localization and mapping are fundamental requirements to enable mobile robots to operate robustly in their environments. The solution of these two problems will allow robots to assist humans in important tasks such as autonomous driving or hazardous search-and-rescue missions. These complex navigation tasks require a robot to build a map while simultaneously localizing itself in it. It is relatively straightforward to build a map with perfect sensors. The challenge arises when a mobile robot needs to perform both mapping and localization with noisy sensors. This requires a robot to reliably recognize a previously visited place, while being robust to noise in sensor measurements and perceptual aliasing due to repetitive structures in the environment. In this thesis, we have proposed novel simultaneous localization and mapping (SLAM) algorithms which are more robust to place recognition and sensor errors. Our methods can recover from errors resulting from visual aliasing due to ambiguity in the environment. Additionally, our methods are more robust to gross non-Gaussian errors in sensor measurements. As map building can be cast as an optimization problem, mapping algorithms should be robust to poor initialization. Furthermore, the methods we have developed enable robots to mitigate the effects of poor initializations. In contrast to other methods that first find a good initialization to seed the optimization or that remove outliers before optimization, our method is more elegant as it does not require an additional pre-processing step. We also survey several geodetic mapping methods with an aim at providing a geodetic perspective of SLAM, as both fields share similarities when it comes to building large maps. We show that many state-of-the-art robot mapping algorithms have a direct relation to geodetic mapping techniques developed many decades earlier. Our survey will possibly inspire new solutions to large-scale, autonomous robotic SLAM methods. Finally, we believe that robots should be able to navigate with already available maps even if they are built for humans or for other purposes. This will save significant computational and sensor requirements on the robot, reduce the setup time, and allow them to operate in environments without previously visiting them. In this regard, we outline a novel approach to metric localization that does not require the construction of a new map when one already exists. The central idea is to leverage g ...

    Zusammenfassung: Die Fähigkeit autonom zu navigieren ist eine wesentliche Voraussetzung für mobile Roboter, um robust in unbekannten Umgebungen zu agieren. Sie versetzt Roboter in die Lage, Menschen bei vielen Aufgaben zu unterstützen: Hierzu gehören beispielsweise Transportaufgaben, autonomes Fahren oder gefährliche Such- und Rettungseinsätze. Solch komplexe Navigationsaufgaben erfordern, dass Roboter eine Karte der Umgebung erstellen und sich gleichzeitig darin lokalisieren können. Für einen Roboter ist es relativ einfach, eine Karte zu erstellen, solange er sich - beispielsweise mit fehlerfreien Sensoren - exakt lokalisieren kann. Da Sensoren in der Realität allerdings nicht perfekt sind, wird dies jedoch zu einer Herausforderung, sobald ein mobiler Roboter beide Aufgaben, d.h. die Umgebungskartierung und die Lokalisierung, gleichzeitig lösen muss. Um beide Probleme zeitgleich zu lösen, muss ein Roboter einen zuvor besuchten Ort zuverlässig wiedererkennen und dabei gleichzeitig mit Sensorrauschen und Mehrdeutigkeiten in der Wahrnehmung aufgrund sich wiederholender Umweltstrukturen umgehen können. In dieser Arbeit haben wir Algorithmen zur gleichzeitigen Lokalisierung und Kartierung (Simultaneous Localization and Mapping, SLAM) entwickelt, die robust gegenüber Ortserkennungs- und Sensorfehlern sind. Unsere Methoden können mit groben Fehlern umgehen, die aus visuellem Aliasing’’ aufgrund von Mehrdeutigkeiten in der Umgebung entstanden sind. Darüber hinaus sind unsere Methoden robust gegen extreme nicht-normalverteilte Fehler in den Sensormessungen. Da Lokalisierung und Kartierung als Optimierungsproblem verstanden werden kann, sollten die zu entwickelnden Algorithmen robust gegen schlechte Initialisierungen sein. Die von uns entwickelten Methoden sind unter anderem in der Lage, die Auswirkungen einer schlechten Initialisierung abzufedern. Im Gegensatz zu den meisten anderen Methoden, welche zunächst eine gute Initialisierung mit externen Mitteln finden oder die Ausreißer vor der Optimierung entfernen müssen, ist unsere Methode zudem eleganter, da sie keine zusätzlichen Vorverarbeitungsschritte erfordert. Des Weiteren führen wir in dieser Arbeit auch eine geodätische Betrachtung des SLAM Problems ein, da die Struktur des SLAM Problems viele Gemeinsamkeiten mit mehreren geodätischen Kartierungsmethoden in Bezug auf die Erstellung größerer Karten aufweist. Wir zeigen, dass viele hochmoderne Kartierungsalg ...
  • Access State: Open Access