Mapping in uncertain environments for mobile robots

Abstract

Um dos problemas fundamentais em robótica móvel é o problema da localização e mapeamento, no qual um robô se deve localizar ao mesmo tempo que constrói um mapa do ambiente. Existem diversas técnicas para abordar este problema. Neste trabalho propõem-se abordagens novas para a construção do mapa em ambientes estáticos e dinâmicos, assumindo pose conhecida. As abordagens propostas baseiam-se em campos aleatórios de Markov (Markov random fields - MRF) e em campos aleatórios Gaussianos (Gaussian random fields - GRF), seguindo um ponto de vista Bayesiano, onde as distribuições de probabilidade a priori são usadas como regularizadores. Num ambiente estático, cada ponto do espaço é descrito pela sua probabilidade de ocupação. O primeiro método proposto é um filtro baseado nos MRF, que se centra no ruído das medidas e que pode ser implementado em linha (tempo real). O segundo método é um método preditivo baseado nos MRF que permite também estimar a probabilidade de ocupação do espaço não observado. Em ambos os métodos, os mapas são construídos numa grelha de células. Outra abordagem baseia-se num espaço contínuo, baseado em GRF onde se propõe um método recursivo de modo a reduzir a complexidade computacional. No caso de ambientes dinâmicos, a probabilidade de ocupação é substituída pelas probabilidade de transição duma cadeia de Markov para descrever o comportamento dinâmico de cada ponto. Nesta abordagem são propostos dois métodos para os ambientes dinâmicos, igualmente baseados nos MRF e nos GRF. No método com MRF todos os parâmetros são estimados em conjunto. Pelo contrário, com os GRF os parâmetros são divididos em dois sub-conjuntos de modo a reduzir a complexidade computacional. Todos os métodos propostos são testados e apresentam-se resultados em simulação nos respetivos capítulos. Finalmente estes algoritmos são também validados em ambiente experimental. Nestas experiências, as poses não podem ser medidas com precisão e é tida em consideração a incerteza na pose do robô. Quando comparados com o estado da arte, os métodos propostos resolvem as inconsistências nos mapas tendo em consideração a dependência entre pontos vizinhos. Este processo é realizado usando MRF e GRF em vez de assumir independência. As simulações e os resultados experimentais demonstram que os métodos propostos podem, não apenas lidar com as inconsistências nos mapas construídos, mas também tirar proveito da correlação espacial para prever o espaço não observado; Abstract: Mapping in Uncertain Environments for Mobile Robots One of the fundamental problems in robotics is the localization and mapping problem, where a robot has to localize itself while building a map of the environment. Several techniques exist to tackle this problem. This work proposes novel mapping approaches with known robot poses for static and dynamic environments. The proposed techniques are based on Markov random fields (MRFs) and Gaussian random fields (GRFs), following a Bayesian viewpoint where prior distributions are provided as regularizers. In static environments, every point is described by its occupancy probability. The first proposed method is an MRF-based filter, which focuses on the measurement noise and can be implemented online (realtime). The second one is an MRF-based prediction method, which can also be used to estimate the occupancy probability for unobserved space. In both methods, the maps are organized as a grid. Another approach, which works in continuous space, is based on a GRF prediction method, and a recursive algorithm is proposed to reduce the computational complexity. In the case of dynamic environments, the occupancy probability is replaced by transition probabilities of a Markov chain that describe the dynamic behaviour of each point. Two methods for dynamic environments are proposed, also based on MRFs and GRFs. In the MRF-based method, all the parameters are jointly estimated. In contrast, in the GRF-based method, the parameters are divided into two subsets to reduce the computational complexity. All the proposed methods are tested in simulations in the corresponding chapters. Finally, these algorithms are also validated on an experimental platform. In the experimental environments, robot poses cannot be measured precisely, and so the uncertainty of robot poses is also considered. When compared with the state of the art for dynamic environments, the proposed methods tackle the inconsistencies in the maps by considering dependence between neighbour points. This is done using MRFs and GRFs instead of assuming independence. The simulations and the experimental results demonstrate that the proposed methods can, not only deal with the inconsistency in the built maps, but also take advantage of the spatial correlation to predict unobserved space.