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
Representan la esperanza (belief) por medio de muestras aleatórias. Estimación de procesos no-gausianos y no-lineales. Principio de Sampling Importance Resampling (SIR):
Obtiene la nueva generación de partículas.
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
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
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 Cada mapa es demasiado grande en el caso de usar grid maps. Se deben de calcular adecuadamente las distribuciones de partículas. El número de partículas crece exponencialmente con la dimensión del espacio de estados: 1D – n partículas 2D – n2 partículas 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
80
Simultaneous localisation and map building. Michael Csorba (1997). Universidad de Oxford (RU). 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). 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). 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). 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
1st SUMMER SCHOOL Æ http://www.cas.kth.se/SLAM/
2nd SUMMER SCHOOL Æ http://www.laas.fr/SLAM/
Budapest (Hungría). Año 2002
Toulouse (Francia). Año 2004
3rd SUMMER SCHOOL Æ http://www.robots.ox.ac.uk/~SSS06/
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
