RT Dissertation/Thesis
T1 Evolutionary Optimization Techniques for 3D Simultaneous Localization and Mapping
A1 González Prieto, Pavel Enrique
AB Mobile robots are growing up in applications to move through indoors and outdoors environments,passing from teleoperated applications to autonomous applications like exploringor navigating. For a robot to move through a particular location, it needs to gather informationabout the scenario using sensors. These sensors allow the robot to observe, depending on thesensor data type. Cameras mostly give information in two dimensions, with colors and pixelsrepresenting an image. Range sensors give distances from the robot to obstacles. DepthCameras mix both technologies to expand their information to three-dimensional information.Light Detection and Ranging (LiDAR) provides information about the distance to the sensorbut expands its range to planes and three dimensions alongside precision. So, mobile robotsuse those sensors to scan the scenario while moving. If the robot already has a map, the sensorsmeasure, and the robot finds features that correspond to features on the map to localizeitself. Men have used Maps as a specialized form of representing the environment for morethan 5000 years, becoming a piece of important information in today’s daily basics. Maps areused to navigate from one place to another, localize something inside some boundaries, or asa form of documentation of essential features. So naturally, an intuitive way of making anautonomous mobile robot is to implement geometrical information maps to represent the environment.On the other hand, if the robot does not have a previous map, it should build it whilemoving around. The robot computes the sensor information with the odometer sensor informationto achieve this task. However, sensors have their own flaws due to precision, calibration,or accuracy. Furthermore, moving a robot has its physical constraints and faults that may occurrandomly, like wheel drifting or mechanical miscalibration that may make the odometers failin the measurement, causing misalignment during the map building. A novel technique waspresented in the mid-90s to solve this problem and overpass the uncertainty of sensors whilethe robot is building the map, the Simultaneous Localization and Mapping algorithm (SLAM).Its goal is to build a map while the robot’s position is corrected based on the information oftwo or more consecutive scans matched together or find the rigid registration vector betweenthem. This algorithm has been broadly studied and developed for almost 25 years. Nonetheless,it is highly relevant in innovations, modifications, and adaptations due to the advances in newsensors and the complexity of the scenarios in emerging mobile robotics applications. The scanmatching algorithm aims to find a pose vector representing the transformation or movementbetween two robot observations by finding the best possible value after solving an equationrepresenting a good transformation. It means searching for a solution in an optimum way. Typicallythis optimization process has been solved using classical optimization algorithms, likeNewton’s algorithm or solving gradient and second derivatives formulations, yet this requiresan initial guess or initial state that helps the algorithm point in the right direction, most of thetime by getting this information from the odometers or inertial sensors. Although, it is not always possible to have or trust this information, as some scenarios are complex and reckonsensors fail. In order to solve this problem, this research presents the uses of evolutionary optimizationalgorithms, those with a meta-heuristics definition based on iterative evolution thatmimics optimization processes that do not need previous information to search a limited rangefor solutions to solve a fitness function. The main goal of this dissertation is to study, developand prove the benefits of evolutionary optimization algorithms in simultaneous localization andmapping for mobile robots in six degrees of freedom scenarios using LiDAR sensor information.This work introduces several evolutionary algorithms for scan matching, acknowledge amixed fitness function for registration, solve simultaneous localization and matching in differentscenarios, implements loop closure and error relaxation, and proves its performance at indoors,outdoors and underground mapping applications.
AB Los robots móviles están creciendo en aplicaciones para moverse por entornos interioresy exteriores, pasando de aplicaciones teleoperadas a aplicaciones autónomas como explorar onavegar. Para que un robot se mueva a través de una ubicación en particular, necesita recopilarinformación sobre el escenario utilizando sensores. Estos sensores permiten que el robot observe,según el tipo de datos del sensor. Las cámaras en su mayoría brindan información endos dimensiones, con colores y píxeles que representan una imagen. Los sensores de rango dandistancias desde el robot hasta los obstáculos. Las Cámaras de Profundidad mezclan ambastecnologías para expandir su información a información tridimensional. Light Detection andRanging (LiDAR) proporciona información sobre la distancia al sensor, pero amplía su rango aplanos y tres dimensiones así como mejora la precisión. Por lo tanto, los robots móviles usanesos sensores para escanear el escenario mientras se mueven. Si el robot ya tiene un mapa, lossensores miden y el robot encuentra características que corresponden a características en dichomapa para localizarse. La humanidad ha utilizado los mapas como una forma especializadade representar el medio ambiente durante más de 5000 años, convirtiéndose en una pieza deinformación importante en los usos básicos diarios de hoy en día. Los mapas se utilizan paranavegar de un lugar a otro, localizar algo dentro de algunos límites o como una forma de documentaciónde características esenciales. Entonces, naturalmente, una forma intuitiva de hacerun robot móvil autónomo es implementar mapas de información geométrica para representar elentorno. Por otro lado, si el robot no tiene un mapa previo, deberá construirlo mientras se desplaza.El robot junta la información del sensor de distancias con la información del sensor delodómetro para lograr esta tarea de crear un mapa. Sin embargo, los sensores tienen sus propiosdefectos debido a la precisión, la calibración o la exactitud. Además, mover un robot tiene suslimitaciones físicas y fallas que pueden ocurrir aleatoriamente, como el desvío de las ruedas ouna mala calibración mecánica que puede hacer que los contadores de desplazamiento fallen enla medición, lo que provoca una desalineación durante la construcción del mapa. A mediadosde los años 90 se presentó una técnica novedosa para resolver este problema y superar la incertidumbrede los sensores mientras el robot construye el mapa, el algoritmo de localización ymapeo simultáneos (SLAM). Su objetivo es construir un mapa mientras se corrige la posicióndel robot en base a la información de dos o más escaneos consecutivos emparejados o encontrarel vector de correspondencia entre ellos. Este algoritmo ha sido ampliamente estudiado ydesarrollado durante casi 25 años. No obstante, es muy relevante en innovaciones, modificacionesy adaptaciones debido a los avances en sensores y la complejidad de los escenarios en lasaplicaciones emergentes de robótica móvil. El algoritmo de correspondencia de escaneo tienecomo objetivo encontrar un vector de pose que represente la transformación o el movimientoentre dos observaciones del robot al encontrar el mejor valor posible después de resolver unaecuación que represente una buena transformación. Significa buscar una solución de forma óptima. Por lo general, este proceso de optimización se ha resuelto utilizando algoritmos deoptimización clásicos, como el algoritmo de Newton o la resolución de formulaciones de gradientesy segundas derivadas, pero esto requiere una conjetura inicial o un estado inicial queayude al algoritmo a apuntar en la dirección correcta, la mayoría de las veces obteniendo estainformación de los sensores odometricos o sensores de inercia, aunque no siempre es posibletener o confiar en esta información, ya que algunos escenarios son complejos y los sensoresfallan. Para resolver este problema, esta investigación presenta los usos de los algoritmos deoptimización evolutiva, aquellos con una definición meta-heurística basada en la evolución iterativaque imita los procesos de optimización que no necesitan información previa para buscardentro de un rango limitado el grupo de soluciones que resuelve una función de calidad. Elobjetivo principal de esta tesis es estudiar, desarrollar y probar los usos de algoritmos de optimizaciónevolutiva en localización y mapeado simultáneos para robots móviles en escenarios deseis grados de libertad utilizando información de sensores LiDAR. Este trabajo introduce variosalgoritmos evolutivos que resuelven la correspondencia entre medidas, soluciona el problemade SLAM, implementa una fusion de funciones objetivos y demuestra sus ventajas con pruebasen escenarios reales tanto en interiores, exteriores como mapeado de escenarios subterraneos.
YR 2022
FD 2022-06
LK https://hdl.handle.net/10016/36162
UL https://hdl.handle.net/10016/36162
LA eng
NO Mención Internacional en el título de doctor
DS e-Archivo
RD 1 sept. 2024