Publication:
Construcción de un mapa topo-geométrico del entorno y localización de manera simultánea

Loading...
Thumbnail Image
Identifiers
Publication date
2002
Defense date
2002-05-24
Tutors
Journal Title
Journal ISSN
Volume Title
Publisher
Impact
Google Scholar
Export
Research Projects
Organizational Units
Journal Issue
Abstract
Cuando un robot móvil autónomo se desplaza por un entorno desconocido, la planificación sólo se puede llevar a cabo si va acompañada de un modelado del entorno. Para construir un mapa del entorno, el robot debe conocer su posición relativa a localizaciones pasadas. Debido a los errores de odometría, que se incrementan a medida que el robot se desplaza, es necesario llevar a cabo un proceso de localización que permita estimar la posición del robot en relación a elementos conocidos. De este modo, el problema de generación de un mapa del entorno es referido frecuentemente como el problema de localización y construcción del mapa de manera simultánea, también conocido como problema SLAM (Simultaneous Localization And Mapping). El método propuesto en esta tesis permite generar un mapa del entorno mientras que el robot se desplaza, al mismo tiempo que se localiza utilizando las características del mapa. Para resolver este problema, el robot, en cada desplazamiento, adquiere información del entorno, a través de un telémetro láser, y almacena la información o do métrica. El entorno es modelado como un grafo, donde los nodos representan lugares típicos de entornos de interiores estructurados, y los arcos representan el camino que unen estos nodos. Tanto los nodos como las ramas son enriquecidos con información geométrica, por lo que el mapa generado es un mapa topo-geométrico. Un Diagrama de Voronoi Local (DVL) es generado directamente a partir de las medidas proporcionadas por un telémetro láser. El diagrama de Voronoi representa el camino, o conjunto de puntos, que son equidistantes a varios objetos presentes en el entorno. De esta manera, el DVL representa el camino más seguro que puede seguir el robot. El mapa topo-geométrico local es generado a partir del DVL. Este mapa no contiene solamente información topológica, sino que también contiene información geométrica, como es la posición de los nodos y los puntos que caracterizan las ramas. El algoritmo SLAM presentado en esta tesis alterna dos pasos: 1) un paso de localización y 2) un paso de generación del mapa. El primer paso estima la mejor posición del robot, considerando que los mapas locales no poseen errores, mientras que el segundo paso genera el mapa global del entorno utilizando las posiciones estimadas en el paso anterior. El paso de localización utiliza algoritmos genéticos para estimar la posición del robot, contrastando los mapas locales obtenidos en cada nueva posición del robot. La información, tanto topo-geométrica del mapa como odométrica, son utilizadas para estimar la posición del robot y eliminar posibles ambigüedades presentes en el entorno. El algoritmo de localización alterna dos pasos: 1) un paso hacia adelante y 2) un paso hacia atrás. El paso hacia adelante estima la posición actual del robot. El paso hacia atrás estima todas las posiciones del robot. El algoritmo hacia adelante se ejecuta en cada nuevo desplazamiento del robot, mientras que, el algoritmo hacia atrás solo se ejecuta cuando se cierra un ciclo, es decir, cuando el robot vuelve a pasar por una zona de la que ya tiene información. Este paso de corrección de las posiciones estimadas en instantes de tiempo anteriores hace que el algoritmo dé resultados buenos en entornos de grandes dimensiones con ciclos El mapa topo-geométrico global es construido integrando la información de los mapas locales obtenidos en cada nueva posición del robot, utilizando las posiciones estimadas en el paso de localización. Este mapa contiene información tanto topológica (nodos y ramas que unen estos nodos) como geométrica (posición de los nodos, puntos que caracterizan las ramas, y distancias de estos puntos a los objetos equidistantes). La ventaja de este mapa topo-geométrico es que puede ser utilizado para desarrollar varias tareas como son navegación, planificación y localización. Los resultados experimentales, llevados a cabo en entornos de interiores de grandes dimensiones con ciclos, muestran la robustez y eficacia del algoritmo desarrollado para resolver el problema SLAM.
When an autonomous mobile robot moves in an unknown environment, the path planning can only be performed if there is a modeled environment. In order to build a map of the environment, a robot must know where it is relative to past locations. Due to errors in odometry, which are acumulative, it is necessary to localize the robot in relation to already known elements. Thus the problem of mapping is often referred to as Simultaneous Localization And Mapping (SLAM). The proposed method allows to build a map of the environment and to use the map to self-localize simultaneously. In order to resolve this problem, in each displacement, the robot takes a sean with the laser telemeter and simultaneously stores the odometric information. The environment is modeled as a graph, in a topo-geometric form, where each node corresponds to a distinctive place, and the ares are paths which join the nodes. This graph is generated from a Local Voronoi Diagram (LVD), that is built from measurements of the laser telemeter. The Voronoi Diagram represents the way, or set of points which are equidistants to different objects in the environment. In this manner, the LVD is thought to be the safest way to move the robot. The local topo-geometric map is generated from LVD directly. This map contains not only topological information but also contains geometric information, such as, the nodes position and the edges' points. This thesis propases a new SLAM method, which alternates two steps: 1) a localization step and 2) a mapping step. This process is executed every time the robot is displacing. The first step computes the best robot's position, based on the local maps ( the best available). The second step genera tes the global map using the estimated locations in the previous step. The localization step uses genetic algorithms to estímate the robot's position, matching local topo-geometric maps, which are obtained in each robot's displacement. The topological and geometric information, and the odometric measurements are used to estímate the robot's position and resolve posible ambiguities. The localization algorithm combines two steps: 1) a forward step and 2) a backward step. The forward step estimates the current robot's position, while the backward step revises a full posterior over poses. The forward step is executed in each iteration, but the backward step is executed only when closing the environment scanning cycle. The global topo-geometric map is built matching the local topo-geometric maps and making use of the estimated locations in the previous step. This map not only contains topological information, like representative places ( doors, hallways, etc.), but also contains their position. The topo-geometric map is used to execute different tasks such as navigation, path planning and localization. Experimental results in large and cyclic indoor environments demostrate that our approach is well suited to resolve the SLAM problem.
Description
Keywords
Bibliographic citation
Collections