Ταυτοποίηση Τριδιάστατων Επιπέδων Βάσει Αβεβαιοτήτων

Abstract

Μία από τις βασικότερες εργασίες των κινουμένων ρομπότ είναι η απόκτηση μοντέλων του περιβάλλοντος. Τα τελευταία χρόνια η έρευνα έχει επικεντρωθεί στο πρόβλημα της ταυτόχρονης χαρτογράφησης και εκτίμησης θέσης για το ρομπότ (simultaneous localization and mapping - SLAM) και ειδικά στο 3D SLAM. Η σημαντικότερη υποεργασία του SLAM είναι η διαδικασία ταυτοποίησης διαδοχικών σαρώσεων του χώρου που λαμβάνεi το ρομπότ (scan registration), που ασχολείται με τον προσδιορισμό της κίνησης του ρομπότ μεταξύ διαδοχικών λήψεων δεδομένων, βάσει του σχήματος επικαλυπτόμενων τμημάτων των σαρώσεων. Μία ακριβής εκτίμηση της στάσης (pose, θέσης και προσανατολισμού) του ρομπότ ενισχύει επίσης την αυτονομία του επιτρέποντάς του να πλοηγηθεί στην επιθυμητή θέση-στόχο στο χάρτη. Έχουν προταθεί διάφορες προσεγγίσεις για επίλυση προβλημάτων SLAM σε άγνωστα περιβάλλοντα. Ωστόσο, οι περισσότερες από αυτές χρησιμοποιούν ταυτοποίηση σαρώσεων που βασίζεται σε 3D σημεία και οδομετρικές μετρήσεις ως αρχική υπόθεση καθιστώντας τες μη αποδοτικές σε θέματα υπολογιστικού χρόνου και κατανάλωσης μνήμης και μη αποστάσεις, ειδικά σε ένα τραχύ περιβάλλον. Σε αυτή την εργασία, θα επικεντρωθούμε στην ακριβή και αποδοτική εξαγωγή επιπέδων τμημάτων από τριδιάστατα νέφη σημείων (3D point clouds) και στην εκτίμηση της στάσης του ρομπότ με βάση τεχνικές ταυτοποίησης επιπέδων, αφού ο μικρότερος αριθμός επιπέδων οδηγεί σε μεγαλύτερη αποδοτικότητα. Προς αποφυγή του οδομετρικού σφάλματος, δεν θα χρησιμοποιηθούν πληροφορίες οδομετρικών μετρήσεων. Αντί αυτού, δημιουργούμε αντιστοιχήσεις μεταξύ επιπέδων διαδοχικών σαρώσεων. Γίνονται συγκεκριμένες υποθέσεις αβεβαιότητας για τη στάση του ρομπότ, που παράγουν μία αβεβαιότητα στα χαρακτηριστικά των επιπέδων, η οποία μοντελοποιείται ως μία κατανομή Gauss. Στη συνέχεια, το πρόβλημα της ταυτοποίησης διαμορφώνεται ως μία επαναληπτική βελτιστοποίηση στις αντιστοιχήσεις των επιπέδων σε κάθε βήμα.

Acquiring models of the environment belongs to the fundamental tasks of mobile robots. In the last few years several researchers have focused on the problem of 3D simultaneous localization and mapping (SLAM). The most important SLAM subtask is the scan registration procedure, which deals with the deduction of the movement of the robot between consecutive scans, based on the shape of overlapping portions of the scans. An accurate pose estimate also enhances the autonomy of the robot by allowing it to navigate to the desired goal position in the map. Different approaches for SLAM of unknown environments have been proposed. However, most of them utilize point-based scan registration using also odometry information as initial guess, which can be inefficient in terms of time and memory and inaccurate, since the odometry measurements deviate extensively, even over short distances, especially in rough environments. In this thesis, we will focus on the accurate and efficient extraction of planar segments from 3D point clouds and on pose estimation based on plane registration techniques, since the smaller number of planes leads to greater efficiency. In order to avoid the error of odometry information, no odometry is used in this work. Instead, we establish correspondences of planes between consecutive scans. Certain uncertainty assumptions about the pose of the robot are made, which produce an uncertainty in the planar attributes that is modeled as a Gaussian distribution. The registration problem is then formulated as an optimization problem, which iteratively refines the planar correspondences at each optimization step.