Simultaneous Localization and Mapping (SLAM)

06/11/2007 Simultaneous Localization and Mapping (SLAM) Ramón González Sánchez [email protected] Portada Universidad de Almería Simultaneous Localiza...
5 downloads 3 Views 1MB Size
06/11/2007

Simultaneous Localization and Mapping (SLAM) Ramón González Sánchez [email protected] Portada Universidad de Almería

Simultaneous Localization and Mapping. Ramón González Sánchez

Índice 1. Introducción a SLAM 2. Problemas en robótica móvil 3. Simultaneous Localization and Mapping 4. Técnicas SLAM 5. Aplicaciones de SLAM 6. Herramientas interactivas 7. Publicaciones y referencias sobre SLAM 8. Propuestas 9. Conclusiones 2

Simultaneous Localization and Mapping. Ramón González Sánchez

1

06/11/2007

Índice 1. Introducció Introducción a SLAM 2. Problemas en robótica móvil 3. Simultaneous Localization and Mapping 4. Técnicas SLAM 5. Aplicaciones de SLAM 6. Herramientas interactivas 7. Publicaciones y referencias sobre SLAM 8. Propuestas 9. Conclusiones 3

Simultaneous Localization and Mapping. Ramón González Sánchez

Navegación en robots móviles Necesidad de conocer la posición (localization) y calcular la trayectoria a seguir, generalmente, usando un mapa (mapping).

4

Simultaneous Localization and Mapping. Ramón González Sánchez

2

06/11/2007

¿SLAM?

5

Simultaneous Localization and Mapping. Ramón González Sánchez

¿Es posible para un vehículo autónomo comenzar en una posición desconocida en un entorno desconocido e incrementalmente construir un mapa de ese entorno mientras simultaneamente usa ese mapa para calcular su posición?

SLAM

6

Simultaneous Localization and Mapping. Ramón González Sánchez

3

06/11/2007

¿Por qué qué existe SLAM? SLAM permitiría a los robots operar en un entorno sin tener a priori conocimiento de dicho entorno (mapa). Solucionar el problema de SLAM sería de inestimable valor en una gran cantidad de aplicaciones donde la posición absoluta o un mapa preciso son muy difíciles de obtener. La clave del problema es la imprecisión. No se conoce con certeza ni la posición ni el entorno. Solamente se conocerá de forma probabilística los dos anteriores problemas. Los más importante es que esa imprecisión se puede poco a poco ir corrigiendo (refinando lo que se conoce) conforme se van realizando más pasadas y se dispone de más información. Las investigaciones en la última decada ha permitido demostrar que el problema que se plantea con SLAM es factible de ser solucionado. 7

Simultaneous Localization and Mapping. Ramón González Sánchez

Índice 1. Introducción a SLAM 2. Problemas en robó robótica mó móvil 3. Simultaneous Localization and Mapping 4. Técnicas SLAM 5. Aplicaciones de SLAM 6. Herramientas interactivas 7. Publicaciones y referencias sobre SLAM 8. Propuestas 9. Conclusiones 8

Simultaneous Localization and Mapping. Ramón González Sánchez

4

06/11/2007

Sensores Î Imprecisió Imprecisión

Accelerometer

Gas Sensor

Gyro Pendulum Resistive Tilt Sensors

Metal Detector Piezo Bend Sensor

Gieger-Muller Radiation Sensor Pyroelectric Detector UV Detector

Resistive Bend Sensors CDS Cell Digital Infrared Ranging Resistive Light Sensor

Pressure Switch Limit Switch

Miniature Polaroid Sensor

Touch Switch Mechanical Tilt Sensors

IR Pin Diode

IR Sensor w/lens Thyristor

IR Reflection Sensor

Magnetic Reed Switch

IR Amplifier Sensor

Radio Shack Lite-On IR Remote Receiver Remote Receiver

Magnetic Sensor

IRDA Transceiver

IR Modulator Receiver

9

Hall Effect Magnetic Field Sensors

Polaroid Sensor Board

Solar Cell Compass

Compass

Piezo Ultrasonic Transducers

Simultaneous Localization and Mapping. Ramón González Sánchez

Fuentes de error en sensores tipo laser 1. Los rayos son reflejados por los obstáculos. 2. Los rayos son reflejados por personas / crosstalk. 3. Medidas aleatorias. 4. Medidas de rango máximo.

10

Simultaneous Localization and Mapping. Ramón González Sánchez

5

06/11/2007

El Problema de la Localizació Localización (Locatization (Locatization)) Un mapa m es conocido a priori El mapa puede ser un mapa geométrico, una mapa de landmarks, un mapa de celdas ocupadas Desde una secuencia de acciones de control Uk Se deben realizar inferencias para obtener la posición del robot Lo se pretende obtener es la tupla: {x,y,θ}

11

Simultaneous Localization and Mapping. Ramón González Sánchez

El Problema de la Construcció Construcción de Mapas (Mapping (Mapping)) Las posiciones del vehículo son dadas Xk Se deben de realizar inferencias para construir el mapa del entorno m El mapa puede ser un mapa geométrico, un mapa de landmarks, un mapa de ocupación de celdas Aplicaciones: exploración planetaria, mapeado de terrenos, imagénes aéreas, mapeado de la estructura oceánica, etc. 12

Simultaneous Localization and Mapping. Ramón González Sánchez

6

06/11/2007

El Problema de la construcció construcción de mapas (Mapping (Mapping))

¿?

13

Simultaneous Localization and Mapping. Ramón González Sánchez

Índice 1. Introducción a SLAM 2. Problemas en robótica móvil 3. Simultaneous Localization and Mapping 4. Técnicas SLAM 5. Aplicaciones de SLAM 6. Herramientas interactivas 7. Publicaciones y referencias sobre SLAM 8. Propuestas 9. Conclusiones 14

Simultaneous Localization and Mapping. Ramón González Sánchez

7

06/11/2007

Definició Definición de SLAM Es una técnica usada por robots y vehículos autónomos para construir un mapa de un entorno desconocido, mientras al mismo tiempo obtiene su posición en ese entorno. Para ello utilizará los datos de control que gobiernan el vehículo y los datos proporcionados por sensores.

15

Simultaneous Localization and Mapping. Ramón González Sánchez

¡¡¡SLAM!!! Si tenemos un mapa: Podemos obtener la posición!

NO ES TAN SIMPLE! Si podemos obtener la posición: Podemos constuir un mapa!

16

Simultaneous Localization and Mapping. Ramón González Sánchez

8

06/11/2007

Problemas y Aproximaciones para resolver SLAM Se deben modelar y tener en cuenta las imprecisiones de los sensores. Filtrado bayesiano. Extended Kalman filter (Filtro gaussiano). Representaciones basadas en el muestreo. Filtros de partículas. Problema de la asociación de datos y múltiple hipótesis. Complejidad: modelos jerárquicos, decorrelación, etc. Entornos dinámicos. Multirobots, multisensores.

17

Simultaneous Localization and Mapping. Ramón González Sánchez

Problema de las imprecisiones (uncertainties) No se dispone de ninguna información previa

Los errores en la posición / construcción de mapa son correlacionados. 18

Simultaneous Localization and Mapping. Ramón González Sánchez

9

06/11/2007

Problema de la asociación de datos

“assignment problem”

19

Simultaneous Localization and Mapping. Ramón González Sánchez

Procedimiento General en SLAM PERCEPTION

LOCAL MAP

MOTION

SELECT VIEWPOINT

Prediction and Data association problem

MATCHING

GLOBAL MAP

ROBOT POSE CORRECTION MAP FUSION

20

Simultaneous Localization and Mapping. Ramón González Sánchez

10

06/11/2007

El problema SLAM No se tiene información sobre el mapa m La posición inicial x0 se suponen conocida (origen) La secuencia de acciones de control es conocen Uk Inferir las posiciones (locations) del vehículo Xk Al mismo tiempo, construir el mapa del entorno sobre el que se navega m Ambos problemas están relacionados Lo que se pretende obtener es: {x, y, θ, m}

21

Simultaneous Localization and Mapping. Ramón González Sánchez

Elementos de SLAM

22

k es un periodo de muestreo de tiempo discreto. k = 1,2,… xk: es la posición verdadera del vehículo en un periodo k. uk: vector de control, se conoce, aplicado en un periodo k-1 conduce al vehículo desde xk-1 a xk en el periodo k. mi: La verdadera localización o parametrización del ith obstáculo o landmark. zki: una observación (medida) de un obstáculo tomada desde la posición xk en el tiempo k. zk: la observación (genérica) (de uno o más obstáculos) tomada en el periodo k. Historial de estados: Xk = {x0,x1, …, xk} = {Xk-1, xk}. Historial de entradas de control: Uk = {u1,u2, …, uk} = {Uk-1, uk}. Conjunto de todos los obstáculos: m = {m1, m2, …, mm}. Historial de observaciones: Zk = {z1,z2, …, zk} = {Zk-1, zk}.

Simultaneous Localization and Mapping. Ramón González Sánchez

11

06/11/2007

Gráficamente xt ¡ ut ¡

xt

1

xt + 1

ut

1

zt ¡

ut + 1 zt

1

m BAYES

zt + 1

Bel( xt ) = p( xt | zt ,ut −1 ,zt −1 ,ut − 2 ,...,z0 ) Bel( xt ) =

23

p( zt | xt ,ut −1 ,...,z0 ) p( xt | ut −1 ,...,z0 ) p( zt | ut −1 ,...,z0 )

Simultaneous Localization and Mapping. Ramón González Sánchez

Ejemplo 1: Medidas sensores

Campo de probabilidades

Mapa m

24

P(z|x,m) Simultaneous Localization and Mapping. Ramón González Sánchez

12

06/11/2007

Ejemplo 2: Estimación de la posición Supongamos que el robot obtiene una medida z1 Qué probabilidades existén de que la puerta este abierta: P(open|z1)?

25

Simultaneous Localization and Mapping. Ramón González Sánchez

Solución P(z1|open) = 0.6 P(z1|¬open) = 0.3 P(open) = P(¬open) = 0.5

Regla de Bayes

P( open| z1 ) =

P( z1 | open )P( open ) P( z1 | open )p( open ) + P( z1 | ¬open )p( ¬open )

P( open| z1 ) =

0.6 ⋅ 0.5 2 = = 0.67 0.6 ⋅ 0.5 + 0.3 ⋅ 0.5 3 z1 (la medida) implica que se aumenta la probabilidad de que la puerta este abierta.

26

Simultaneous Localization and Mapping. Ramón González Sánchez

13

06/11/2007

… Se realiza una segunda medida P(z2|open) = 0.5 P(z2|¬open) = 0.6

Regla de Bayes recursiva

P(open|z1)=2/3 (0.66) P(open | z 2 , z1 ) =

P( z 2 | open) P(open | z1 ) P( z 2 | open) P(open | z1 ) + P( z 2 | ¬open) P(¬open | z1 )

1 2 ⋅ 5 2 3 = = 0.625 = 1 2 3 1 8 ⋅ + ⋅ 2 3 5 3

z2 (la segunda medida) reduce la probabilidad de que la puerta este abierta.

27

Simultaneous Localization and Mapping. Ramón González Sánchez

Índice 1. Introducción a SLAM 2. Problemas en robótica móvil 3. Simultaneous Localization and Mapping 4. Técnicas SLAM 5. Aplicaciones de SLAM 6. Herramientas interactivas 7. Publicaciones y referencias sobre SLAM 8. Propuestas 9. Conclusiones 28

Simultaneous Localization and Mapping. Ramón González Sánchez

14

06/11/2007

Técnicas para solucionar SLAM Full SLAM:

p( x1:t , m | z1:t , u1:t )

Estima el camino y el mapa completos

Online SLAM:

p ( xt , m | z1:t , u1:t ) = ∫ ∫ … ∫ p ( x1:t , m | z1:t , u1:t ) dx1dx2 ...dxt −1 Los cálculos se realizan cada periodo de muestreo

Estima la posición y mapa más recientes 29

Simultaneous Localization and Mapping. Ramón González Sánchez

Online SLAM:

p ( xt , m | z1:t , u1:t ) = ∫ ∫ … ∫ p ( x1:t , m | z1:t , u1:t ) dx1 dx2 ...dxt −1 30

Simultaneous Localization and Mapping. Ramón González Sánchez

15

06/11/2007

Full SLAM:

p ( x1:t , m | z1:t , u1:t ) 31

Simultaneous Localization and Mapping. Ramón González Sánchez

Ejemplos de técnicas SLAM Extended Kalman Filter (EKF) Es un tipo de técnica de ONLINE SLAM Utiliza un modelo de distribución de probabilidad gaussiana lineal.

FastSLAM Es un tipo de técnica de FULL SLAM Utiliza un modelo de distribución de filtro de partículas muestreado. 32

Simultaneous Localization and Mapping. Ramón González Sánchez

16

06/11/2007

Índice 1.

Introducción a SLAM

2.

Problemas en robótica móvil

3.

Simultaneous Localization and Mapping

4.

Técnicas SLAM 4.1. Extended Kalman Filter (ONLINE SLAM) 4.2. FastSLAM (FULL SLAM)

5.

Aplicaciones de SLAM

6.

Herramientas interactivas

7.

Publicaciones y referencias sobre SLAM

8.

Propuestas

9.

Conclusiones

33

Simultaneous Localization and Mapping. Ramón González Sánchez

Características de EKF SLAM Correspondencias son conocidas. La imprecisión crece con el tiempo: Repetidas observaciones reducen la imprecisión. Imprecisión de landmarks: Mayormente causadas por la imprecisión en la posición. Correlación en la matriz de covarianza. Información propagada de landmarks prevías.

34

Simultaneous Localization and Mapping. Ramón González Sánchez

17

06/11/2007

Componentes del Filtro de Kalman Modelo de movimiento State

Control input

Process noise

xt +1 = Ft xt + Bt ut + Gt wt State transition function

Control input function

Noise input function with covariance Q

Modelo de sensores (medidas) Sensor reading

State

Sensor noise with covariance R

zt +1 = H t +1 xt +1 + nt +1 Sensor function

35

Simultaneous Localization and Mapping. Ramón González Sánchez

Componentes del Filtro de Kalman Modelo de movimiento (Predicción) - La estimación del estado es actualizada a través de las xˆt +1/ t = Ft xˆt / t + Bt ut

Pt +1/ t = Ft Pt / t Ft + Gt Qt Gt T

T

órdenes de control del sistema.

- Se actualiza la estimación de la imprecisión.

Modelo de sensores (Actualización) - Se calcula el valor esperado de la lectura del sensor.

zˆt +1 = H t +1 xˆt +1/ t rt +1 = zt +1 − zˆt +1 St +1 = H t +1 Pt +1/ t H t +1 + Rt +1 T

−1

K t +1 = Pt +1/ t H t +1 St +1 ˆxt +1/ t +1 = xˆt +1/ t + K t +1rt +1 T

- Se calcula la diferencia entre el valor esperado y el real. - Se obtiene la matriz de covarianza de la lectura del sensor. - Se obtiene la Ganacia de Kalman (cuánto se debe corregir la estimación). - Multiplicar los tiempos de ganancias residuales para corregir la estimación del estado. −1

Pt +1/ t +1 = Pt +1/ t − Pt +1/ t H t +1 S t +1 H t +1 Pt +1/ t T

36

- Estimación de la imprecisión.

Simultaneous Localization and Mapping. Ramón González Sánchez

18

06/11/2007

Extended Kalman Filter Vector de posición Se expande para contener las entradas para las posiciones de los obstáculos.

[

X = X RT

X LT1 … X LTn

]

T

El vector de posición puede crecer tanto como nuevos obstáculos (landmarks) son descubiertas.

⎡ PRR ⎢ PL1R ⎢ Ecuación de sensores también se expanden. ⎢ ⎢⎣ PLN R ~ ~ ~ ~ ~ X = X RT X LT1 X LTi X LTn La matriz de covarianza también se expande. ⎢

[ H = [H

37

]

R

0

0 H Li

0

0

PRL1

PL1L1 PLN L1

PRLN ⎤ PL1LN ⎥⎥ ⎥ ⎥ PLN LN ⎥⎦

]

Simultaneous Localization and Mapping. Ramón González Sánchez

Extended Kalman Filter

38

Simultaneous Localization and Mapping. Ramón González Sánchez

19

06/11/2007

Diagrama de bloques EKF Modelo de movimiento

Modelo de sensores

A solution to the Simultaneous Localisation and Map Building (SLAM) Problem. M. Dissanayake, P. Newman, S. Clark, H.F. Durrant-Whyte y M. Csorba. IEEE Transactions on Robotics and Automation, 2001.

39

Simultaneous Localization and Mapping. Ramón González Sánchez

Descripción de EKF SLAM

•Estado inicial e imprecisión t=0

40

•Usar medidas de distancia

Simultaneous Localization and Mapping. Ramón González Sánchez

20

06/11/2007

Descripción de EKF SLAM

•Predicción de la posición del robot e imprecisión en el instante 1. t=1

41

Simultaneous Localization and Mapping. Ramón González Sánchez

Descripción de EKF SLAM

•Corrección e imprecisión en la posición. t=1

42

•Estimar las imprecisiones de las nuevas medidas.

Simultaneous Localization and Mapping. Ramón González Sánchez

21

06/11/2007

Descripción de EKF SLAM

•Estimación e imprecisión de la posición en el instante 2. t=2

43

•Predicción de las medidas y sus imprecisiones.

Simultaneous Localization and Mapping. Ramón González Sánchez

Descripción de EKF SLAM

•Corrección de la posición y mapeado de las medidas. •Actualización de las imprecisiones para el mapeado. t=2

44

•Estimar imprecisión de las nuevas medidas.

Simultaneous Localization and Mapping. Ramón González Sánchez

22

06/11/2007

Ejemplo 1 de EKF

Probability

Utilización de gaussianas unimodales para modelar una función de densidad de probabilidad nogaussiana.

45

Simultaneous Localization and Mapping. Ramón González Sánchez

Ejemplo 2 de EKF (1/2)

46

Simultaneous Localization and Mapping. Ramón González Sánchez

23

06/11/2007

Ejemplo 2 de EKF (2/2)

47

Simultaneous Localization and Mapping. Ramón González Sánchez

Ejemplo 3 de EKF

48

Simultaneous Localization and Mapping. Ramón González Sánchez

24

06/11/2007

Ejemplo 4 de EKF

49

Simultaneous Localization and Mapping. Ramón González Sánchez

Inconvenientes de EKF SLAM Sólo un conjunto de medidas para caracterizar las asociaciones consideradas. Utiliza la asociación de probabilidad máxima. Poco cambio de mejoría desde malas asociaciones.

Esfuerzo computacional: el paso de actualización de las observaciones requiere que todas las landmarks y sus matrices de covarianza sean actualizadas cada periodo de muestreo, esto implica que el tiempo de computación crece cuadráticamente con el número de landmarks. No linealidad: Se emplean modelos linealizados de modelos de movimiento y observación no lineales, esto implica que se producen errores en los modelos. 50

Simultaneous Localization and Mapping. Ramón González Sánchez

25

06/11/2007

Índice 1.

Introducción a SLAM

2.

Problemas en robótica móvil

3.

Simultaneous Localization and Mapping

4.

Técnicas SLAM 4.1. Extended Kalman Filter (ONLINE SLAM) 4.2. FastSLAM (FULL SLAM)

51

5.

Aplicaciones de SLAM

6.

Herramientas interactivas

7.

Publicaciones y referencias sobre SLAM

8.

Propuestas

9.

Conclusiones

Simultaneous Localization and Mapping. Ramón González Sánchez

Características de FastSLAM Es una aproximación de los Filtros de Partículas. Complejidad crece exponencialmente al número de dimensiones. EKFs para cada partícula. Cada partícula representa una posición posible del robot. Para cada partícula: Muestrea una nueva posición. Actualiza su correspondiente EKF. Obtiene una importancia. Remuestreo. Procesos no lineales y distribuciones no gausianas.

52

Simultaneous Localization and Mapping. Ramón González Sánchez

26

06/11/2007

Filtros de partículas

ƒ ƒ ƒ

ƒ ƒ

Representan la esperanza (belief) por medio de muestras aleatórias. Estimación de procesos no-gausianos y no-lineales. Principio de Sampling Importance Resampling (SIR):

ƒ ƒ

Obtiene la nueva generación de partículas.

ƒ

Remuestrea.

Asigna un peso (importancia) a cada partícula dependiendo de como de bien sus estimaciones se parezcan a las medidas.

Escenarios típicos de aplicación son: seguimiento, localización, etc. Problema: El número de partículas necesario para las representaciones crece exponencialmente con la dimensión del espacio de estados. 53

Simultaneous Localization and Mapping. Ramón González Sánchez

Filtros de partículas Representan la distribución de probabilidad como un conjunto de partículas discretas las cuales ocupan el espacio de estados.

54

Simultaneous Localization and Mapping. Ramón González Sánchez

27

06/11/2007

Funcionamiento de los Filtros de partículas

55

Courtesy of P. Jensfelt and S. Kristensen

Simultaneous Localization and Mapping. Ramón González Sánchez

Rao-Blackwellization

ƒ

56

Dimensión del espacio de estados es reducida dastricamente factorizando el filtro de partículas.

Simultaneous Localization and Mapping. Ramón González Sánchez

28

06/11/2007

Descripción de FastSLAM ƒ ƒ ƒ

Esta basado en una Rao-Blackwellization de un filtro de partículas. Cada landmark se representa por un EKF de 2x2 Cada partícula tiene que almacenar M EKFs (M = Número de características del mapa).

x, y, θ

Landmark 1 Landmark 2 …Landmark M

Partícula #2

x, y, θ

Landmark 1 Landmark 2 …Landmark M

x, y, θ

Landmark 1 Landmark 2 …Landmark M



Partícula #1

Partícula N

57

Simultaneous Localization and Mapping. Ramón González Sánchez

Descripción de FastSLAM – Actualización de la acción (action update)

Landmark #1 Filter

Partícula #1

Landmark #2 Filter

Partícula #2

Partícula #3 58

Simultaneous Localization and Mapping. Ramón González Sánchez

29

06/11/2007

Descripción de FastSLAM – Actualización de la medida (sensor update)

Landmark #1 Filter

Partícula #1

Landmark #2 Filter

Partícula #2

Partícula #3 59

Simultaneous Localization and Mapping. Ramón González Sánchez

Descripción de FastSLAM – Actualización de la medida (sensor update) Partícula #1

Peso = 0.8

Partícula #2

Peso = 0.4

Partícula #3

Peso = 0.1

60

Simultaneous Localization and Mapping. Ramón González Sánchez

30

06/11/2007

Complejidad de FastSLAM Actualiza las partículas basándose en las órdenes de control ut-1 Incorpora la observación zt en los filtros de Kalman. Remuestrea el conjunto de partículas. N = Número de partículas. M = Número de características del mapa.

61

O(N) Tiempo constante por partícula

O(N•log(M)) Tiempo logarítmico por partícula

O(N•log(M)) Tiempo logarítmico por partícula

O(N•log(M)) Tiempo logarítmico por partícula

Simultaneous Localization and Mapping. Ramón González Sánchez

Ejemplo 1 de FastSLAM

Puede presentar distribuciones multimodales.

62

Simultaneous Localization and Mapping. Ramón González Sánchez

31

06/11/2007

Ejemplo 2 de FastSLAM 3 partículas

mapa de partícula 1

mapa de partícula 3

mapa de partícula 2 63

Simultaneous Localization and Mapping. Ramón González Sánchez

Ejemplo 3 de FastSLAM

64

Simultaneous Localization and Mapping. Ramón González Sánchez

32

06/11/2007

Inconvenientes de FastSLAM ƒ Cada mapa es demasiado grande en el caso de usar grid maps. ƒ Se deben de calcular adecuadamente las distribuciones de partículas. ƒ El número de partículas crece exponencialmente con la dimensión del espacio de estados: ƒ 1D – n partículas ƒ 2D – n2 partículas ƒ mD – nm partículas

65

Simultaneous Localization and Mapping. Ramón González Sánchez

Índice 1. Introducción a SLAM 2. Problemas en robótica móvil 3. Simultaneous Localization and Mapping 4. Técnicas SLAM 5. Aplicaciones de SLAM 6. Herramientas interactivas 7. Publicaciones y referencias sobre SLAM 8. Propuestas 9. Conclusiones 66

Simultaneous Localization and Mapping. Ramón González Sánchez

33

06/11/2007

Aplicaciones: Fútbol (de robots)

Robots AIBO en la “RoboCup soccer” 67

Simultaneous Localization and Mapping. Ramón González Sánchez

Aplicaciones: Vehí Vehículos submarinos Performance/Sophistication

Sensor Data

Kalman Filter

Least Squares

Reliability / Acceptance

SLAM

MOOS: Software for Developing and Deploying Autonomous Oceanic Vehicles

Vote

Nav Estimate

Sensor Driven http://www.robots.ox.ac.uk/~pnewman/

68

Simultaneous Localization and Mapping. Ramón González Sánchez

34

06/11/2007

Aplicaciones: Mapas 3D

Mapping in Dynamic Environments. Wolfram Burgard. Universidad de Freiburgo. 2nd Summer School on SLAM. 2004. Toulouse (Francia).

69

Simultaneous Localization and Mapping. Ramón González Sánchez

Aplicaciones: Mapas 3D

Slam with Vision: real-time camera tracking in unknown Scenes. Andrew J. Davison, Nicholas D. Molton, Ben J. Tordoff and Ian D. Reid Universidad de Oxford. 2nd Summer School on SLAM 2004. Toulouse (Francia).

70

Simultaneous Localization and Mapping. Ramón González Sánchez

35

06/11/2007

Aplicaciones: Tareas portuarias

SLAM Applications. E. Nebot. Universidad de Sydney. 2nd Summer School on SLAM 2004. Toulouse (Francia).

71

Simultaneous Localization and Mapping. Ramón González Sánchez

Aplicaciones: Minerí Minería

SLAM Applications. E. Nebot. Universidad de Sydney. 2nd Summer School on SLAM 2004. Toulouse (Francia).

72

Simultaneous Localization and Mapping. Ramón González Sánchez

36

06/11/2007

Aplicaciones: “Asociació Asociación de datos” datos” Dado un mapa del entorno más un conjunto de observaciones de sensores Î Asociar las observaciones con elementos del mapa.

Vision

Laser

Relocation using Laser and Vision. D. Ortín, J. Neira, J.M.M. Montiel, 2004 IEEE Int. Conf. Robotics and Automation, EEUU.

73

Simultaneous Localization and Mapping. Ramón González Sánchez

Índice 1. Introducción a SLAM 2. Problemas en robótica móvil 3. Simultaneous Localization and Mapping 4. Técnicas SLAM 5. Aplicaciones de SLAM 6. Herramientas interactivas 7. Publicaciones y referencias sobre SLAM 8. Propuestas 9. Conclusiones 74

Simultaneous Localization and Mapping. Ramón González Sánchez

37

06/11/2007

Herramientas desarrolladas Autor

Descripción

Enlace

Kai Arras

Herramienta de simulación realizada como un toolbox para MATLAB denomiada CAS.

http://www.cas.kth.se/toolbox/index.html

Tim Bailey

Simuladores para MATLAB de EKFSLAM, UKF-SLAM y FastSLAM 1.0 and 2.0.

http://www.acfr.usyd.edu.au/homepages/a cademic/tbailey/software/index.html

José Neira

Simulador MATLAB EKF-SLAM permite comparar técnicas de branch-and-bound con asociación de datos.

http://webdiis.unizar.es/~neira/software/sla m/slamsim.htm

Andrew Davison

Scene, es una librería para C++. Se pueden usar técnicas de visión en SLAM bajo tiempo real. (bajo Linux)

http://www.doc.ic.ac.uk/~ajd/Scene/index. html

Dirk Hähnel

Versión de FastSLAM en lenguaje C. (bajo Linux)

http://www.informatik.unifreiburg.de/~haehnel/old/download.html

75

Simultaneous Localization and Mapping. Ramón González Sánchez

Índice 1. Introducción a SLAM 2. Problemas en robótica móvil 3. Simultaneous Localization and Mapping 4. Técnicas SLAM 5. Aplicaciones de SLAM 6. Herramientas interactivas 7. Publicaciones y referencias sobre SLAM 8. Propuestas 9. Conclusiones 76

Simultaneous Localization and Mapping. Ramón González Sánchez

38

06/11/2007

Publicaciones bá básicas High Resolution Maps from Wide Angle Sonar. Moravec, H.P. y Elfs, A. Proc. IEEE Int. Conf. on Robotics and Automation , St Louis, MO, pp. 116-121, 1984. Position referencing and consistent world modeling for mobile robots. Chatila, R. y Laumond, J.P. Proceedings of ICRA’85, 1985. Navigation for an Intelligent Mobile Robot. Crowley, J.L. IEEE Trans. on Robotics and Automation, Vol. RA-1, No. 1, pp 31-41, 1985. Stochastic Multisensory Data Fusion for Mobile Robot Localization and Environment Modelling. P. Moutarlier y R. Chatila. International Symposium on Robotics Research, Tokyo, 1989. Estimating Uncertain Spatial Relationships in Robotics. R. Smith, M. Self y P. Cheeseman. Autonomous Robot Vehicles, pp. 167-193, Springer Verlag, 1990. Dynamic map building for an autonomous mobile robot. J. J. Leonard, H. F. Durrant-Whyte y I. J. Cox. Int. J. Robot. Res., 11(4):286-292, 1992. A solution to the Simultaneous Localisation and Map Building (SLAM) Problem. M. Dissanayake, P. Newman, S. Clark, H.F. Durrant-Whyte y M. Csorba. IEEE Transactions on Robotics and Automation, Volume 17 Páginas(s):229 – 241. Junio 2001. FastSLAM: A factored solution to simultaneous localization and mapping. M. Montemerlo, S. Thrun, D. Koller y B. Wegbreit. AAAI’02, 2002. Consistent, convergent, and constant time SLAM. J. Leonard y P. Newman. Proc. Int. Joint Conf. Artificial Intell., Páginas 1143-1150, Acapulco, Aug. 2003.

77

Simultaneous Localization and Mapping. Ramón González Sánchez

Otras publicaciones Using Laser Range Data for 3D SLAM in Outdoor Environments. David M. Cole y Paul M. Newman. IEEE International Conference on Robotics and Automation (ICRA) 2006. Hierarchical SLAM: Realtime accurate mapping of large environments. C. Estrada, J. Neira, and J.D. Tardós. IEEE Trans. Robot., vol. 21,no. 4, pp. 588–596, 2005. Online Simultaneous Localization and Mapping in Dynamic Environments. Denis Wolf y Gaurav S. Sukhatme. IEEE International Conference on Robotics and Automation (ICRA) 2004. A genetic algorithm for simultaneous localization and mapping Duckett, T. IEEE International Conference on Robotics and Automation (ICRA) 2003. Robust mapping and localization in indoor environments using sonar data. J.D. Tardós, J. Neira, P.M. Newman, and J.J. Leonard. Int. J. Robot. Res., vol. 21, no. 4, pp. 311–330, 2002. Data association in stochastic mapping using the joint compatibility test. J. Neira and J.D. Tardós. IEEE Trans. Robot. Automat., vol. 17, no. 6, pp. 890–897, 2001.

78

Simultaneous Localization and Mapping. Ramón González Sánchez

39

06/11/2007

Tutoriales Simultaneous localization and mapping: part I Durrant-Whyte, H.; Bailey, T.; Robotics & Automation Magazine, IEEE Volumen 13, Junio 2006 Páginas: 99 – 110. Simultaneous localization and mapping: part II Durrant-Whyte, H.; Bailey, T.; Robotics & Automation Magazine, IEEE Volumen 16, Septiembre 2006 Páginas:108 – 117.

79

Simultaneous Localization and Mapping. Ramón González Sánchez

Tesis Doctorales ƒ

ƒ

ƒ

ƒ

80

Simultaneous localisation and map building. Michael Csorba (1997). Universidad de Oxford (RU). ƒ http://www.acfr.usyd.edu.au/publications/theses/97csorba/MichaelCsorbaThesis.pdf Aplicación del muestreo bayesiano en robots móviles: estrategías para la localización y estimación de mapas del entorno. Domingo Gallardo López (1999). Universidad de Alicante (España). ƒ http://www.dccia.ua.es/ria/artics/tesis-domingo.pdf SLAM geométrico en tiempo real para robots móviles en interiores basado en EKF. Diego Rodríguez-Losada González (2004). Universidad Politécnica de Madrid (España). ƒ http://www.disam.upm.es/~drodri/articles/DiegoRodriguezLosada_ PhDthesis04.pdf Detailed environment representation for the SLAM problem. Juan I. Nieto (2005). Universidad de Sydney (Australia). ƒ http://www.acfr.usyd.edu.au/people/postgrads/jnieto/JuanNietoThe sis.pdf Simultaneous Localization and Mapping. Ramón González Sánchez

40

06/11/2007

Libros FastSLAM: A Scalable Method for Simultaneous Localization and Mapping Problem in Robotics Michael Montemerlo, Sebastian Thrun Springer (2007)

Probabilistic ROBOTICS Sebastian Thrun, Wolfram Burgard, Dieter Fox MIT Press (2005) http://www.probabilistic-robotics.org 81

Simultaneous Localization and Mapping. Ramón González Sánchez

Centros y Personas de referencia Universidad de Oxford, RU: Paul Newman, Andrew Davison • http://www.robots.ox.ac.uk/ActiveVision/ Australian Centre for Field Robotics, Sydney, Australia: Hugh DurrantWhyte, Eduardo Nebot • http://www.acfr.usyd.edu.au/ Universidad de Zaragoza, España: José Neira, Juan D. Tardós • http://webdiis.unizar.es/GRPTR/ Massachusetts Institute of Technology, EEUU: John Leonard • http://oe.mit.edu/ Universidad de Stanford , EEUU: Sebastian Thrun, Michael Montemerlo • http://ai.stanford.edu/ Universidad de Washington, EEUU: Dieter Fox • http://www.cs.washington.edu/ai/Mobile_Robotics/ Royal Institute of Technology, Suecia: Henrik I. Christensen, Patric Jensfelt • http://www.cas.kth.se/ LAAS, Francia: Raja Chatila, Michel Devy • http://www.laas.fr/ 82

Simultaneous Localization and Mapping. Ramón González Sánchez

41

06/11/2007

SUMMER SCHOOLS ƒ

1st SUMMER SCHOOL Æ http://www.cas.kth.se/SLAM/ ƒ

ƒ

2nd SUMMER SCHOOL Æ http://www.laas.fr/SLAM/ ƒ

ƒ

Budapest (Hungría). Año 2002

Toulouse (Francia). Año 2004

3rd SUMMER SCHOOL Æ http://www.robots.ox.ac.uk/~SSS06/ ƒ

Oxford (Reino Unido). Año 2006

83

Simultaneous Localization and Mapping. Ramón González Sánchez

Índice 1. Introducción a SLAM 2. Problemas en robótica móvil 3. Simultaneous Localization and Mapping 4. Técnicas SLAM 5. Aplicaciones de SLAM 6. Herramientas interactivas 7. Publicaciones y referencias sobre SLAM 8. Propuestas 9. Conclusiones 84

Simultaneous Localization and Mapping. Ramón González Sánchez

42

06/11/2007

… Propuestas: FITOROBOT

SL AM Greenhous e trajectory robot position s ens or readings

2.5

2

Y d is ta n c e (m e tre s )

1.5

1

0.5

0

-0.5

-8

85

-7.5

-7

-6.5

-6 X distance (metres)

-5.5

-5

-4.5

Simultaneous Localization and Mapping. Ramón González Sánchez

… Propuestas: HERRAMIENTA INTERACTIVA

86

Simultaneous Localization and Mapping. Ramón González Sánchez

43

06/11/2007

… Propuestas: OTROS ROBOTS

PEOPLEBOT ROBONOVA

iROBOT

87

Simultaneous Localization and Mapping. Ramón González Sánchez

Índice 1. Introducción a SLAM 2. Problemas en robótica móvil 3. Simultaneous Localization and Mapping 4. Técnicas SLAM 5. Aplicaciones de SLAM 6. Herramientas interactivas 7. Publicaciones y referencias sobre SLAM 8. Propuestas 9. Conclusiones 88

Simultaneous Localization and Mapping. Ramón González Sánchez

44

06/11/2007

Conclusiones VENTAJAS DE SLAM: 9 NO SE NECESITA CONOCER LA POSICIÓN Y MAPA. 9 ROBOTS MÁS AUTÓNOMOS. 9 ROBUSTO ANTE INFORMACIÓN DE SENSORES (RUIDO). 9 NO ES NECESARIO USAR SENSORES TIPO GPS. 9 RESULTADO FINAL UN MAPA DEL ENTORNO. 9 “DenseSLAM”

89

Simultaneous Localization and Mapping. Ramón González Sánchez

Conclusiones INCONVENIENTES DE SLAM: 9 GRANDES ENTORNOS Y SISTEMAS NO LINEALES. 9 COMPLEJIDAD EN ENTORNOS DINÁMICOS. 9 “ASSIGNMENT PROBLEM” 9 NO SE TIENE EN CUENTA EL ALGORITMO O ARQUITECTURA DE NAVEGACIÓN.

90

Simultaneous Localization and Mapping. Ramón González Sánchez

45

06/11/2007

MUCHAS GRACÍAS 91

Simultaneous Localization and Mapping. Ramón González Sánchez

Contraportada

92

Simultaneous Localization and Mapping. Ramón González Sánchez

46