Система SLAM, основанная на скрытых марковских моделях
Ключевые слова:
локализация, SLAM, навигация робота, картографирование, скрытая марковская модель, датчикАннотация
Методы одновременной локализации и картографирования (SLAM) являются решением проблемы навигации сервисных роботов. Мы представляем графовую систему SLAM, основанную на скрытых марковских моделях (HMM), где показания датчиков представлены различными символами с использованием ряда методов кластеризации; затем символы объединяются в один для повышения точности с использованием двойных HMM. Универсальность нашей системы позволяет работать с датчиками разных типов или комбинировать датчики, а также реализовать активную или пассивную графовую систему SLAM. В подходе Graph-SLAM, предложенном Karto Robotics International в Cartographer, узлы представляют положение робота, а ребра представляют ограничения между ними. Узлы обычно задаются по непрерывным узлам, за исключением случаев обнаружения замыкания цикла, когда вводятся ограничения на несмежные узлы, что корректирует весь граф. Обнаружение цикливания не является тривиальным; в реализации ROS сопоставление сканирования выполняется с использованием регулировки положения разреженности (SPA). Картограф использует карту занятости, чтобы оценить положение, в котором карта отображается с помощью Gmapping. Робот Toyota HSR (Human Support Robot) использовался для создания набора данных как в реальных, так и в смоделированных условиях соревнований. В нашем представлении SLAM есть оценка одометрии колес в соответствии с начальным положением робота, 2D-лидарное сканирование Hokuyo для наблюдений, а также контроль сигналов и оценка карты окружающего пространства. Мы протестировали нашу систему в задаче о похищенном роботе, обучили начальную модель, затем улучшили ее в онлайн режиме и, наконец, решили задачу SLAM.
Литература
2. Zarchan P., Musoff H. Fundamentals of Kalman Filtering: A Practical Approach. Number v. 190 in Fundamentals of Kalman filtering: a practical approach. American Institute of Aeronautics and Astronautics, Incorporated.
3. R. Smith, M. Self, and P. Cheeseman. Autonomous Robot Vehicles. chapter Estimating, pages 167–193. Springer-Verlag, Berlin, Heidelberg, 1990.
4. Giorgio Grisetti, Cyrill Stachniss, and Wolfram Burgard. Improved Techniques for Grid Mapping With Rao-Blackwellized Particle Filters. IEEE Transactions on Robotics, 23(1): 34–46, 2007.
5. D. Fox, W. Burgard, F. Dellaert, S. Thrun. AAAI/IAAI, and undefined 1999.
6. G. Grisetti, R. Kuemmerle, C. Stachniss, and W. Burgard. A Tutorial on Graph-Based {SLAM}. Intelligent Transportation Systems Magazine, IEEE, 2(4):31–43, 2010.
7. M. Zaffar, S. Ehsan, R. Stolkin, and K. M. Maier. Sensors, slam and long-term autonomy: A review. In 2018 NASA/ESA Conference on Adaptive Hardware and Systems (AHS), pages 285–290, 2018. Monte carlo localization: Efficient position estimation for mobile robots. aaai.org, 1999.
8. Sebastian Thrun and Michael Montemerlo. The graphe SLAM Algorithm with Applications to Large-Scale Mapping of Urban Structures. The International Journal of Robotics Research, 25(5-6):403–429, 2006.
9. A. Soragna, M. Baldini, D. Joho, R. Kümmerle, and G. Grisetti. Active slam using connectivity graphs as priors. In 2019 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS), pages 340–346, 2019.
10. João Machado Santos, David Portugal, and Rui P. Rocha. An evaluation of 2d slam techniques available in robot operating system. In SSRR, pages 1–6. IEEE, 2013.
11. Giorgio Grisetti, Cyrill Stachniss, and Wolfram Burgard. Improved Techniques for Grid Mapping With Rao-Blackwellized Particle Filters. IEEE Transactions on Robotics, 23(1):34–46, 2007.
12. Regis Vincent, Benson Limketkai, and Michael Eriksen. Comparison of indoor robot localization techniques in the absence of GPS. In Russell S. Harmon, John H. Holloway Jr., and J. Thomas Broach, editors, Detection and Sensing of Mines, Explosive Objects, and Obscured Targets XV, volume 7664, pages 606–610. International Society for Optics and Photonics, SPIE, 2010.
13. Kurt Konolige, Giorgio Grisetti, Rainer Kümmerle, Wolfram Burgard, Benson Limketkai, and Regis Vincent. Efficient sparse pose adjustment for 2d mapping. In 2010 IEEE/RSJ International Conference on Intelligent Robots and Systems, pages 22–29, 2010.
14. G O S Ekhaguere. On notions of Markov property. Journal of Mathematical Physics, 18(11):2104–2107, 1977.
15. Lawrence R. Rabiner. A tutorial on hidden Markov models and selected applications in speech recognition. In PROCEEDINGS OF THE IEEE, pages 257–286, 1989.
16. D. Fox, W. Burgard, F. Dellaert, S. Thrun AAAI/IAAI, and undefined 1999. Monte carlo localization: Efficient position estimation for mobile robots. aaai.org, 1999.
17. Randall C. Smith and Peter Cheeseman. On the representation and estimation of spatial uncertainty. The International Journal of Robotics Research, 5(4), 1986.
18. Savage, Fuentes. Map representation using hidden markov models for mobile robot localization. volume 161, 2018.
19. A.P. Dempster, N.M. Laird, and D.B. Rubin. Maximum likelihood from incomplete data via the EM algorithm. JOURNAL OF THE ROYAL STATISTICAL SOCIETY, SERIES B, 39(1):1–38, 1977.
20. Pierre Baldi and Yves Chauvin. Smooth {On}-{Line} {Learning} {Algorithms} for {Hidden} {Markov} {Models}. Neural Comput., 6, 1993.
21. Long Wen, Yang Zhao, Shuguang Li, Hong Cheng, and Chen Zhang. {MST}-{ResNet}: {A} {Multiscale} {Spatial} {Temporal} {ResNet} for {Steering} {Prediction}. pages 246–251, 2019.
22. Jianbo Shi and Carlo Tomasi. Good Features to Track. IEEE Conference on Computer Vision and Pattern Recognition, pages 593–600, 1994.
23. Brendan J. Frey and Delbert Dueck. Clustering by passing messages between data points. Science, 315:972–977, 2007.
24. Ming Liang, Bin Yang, Yun Chen, Rui Hu, and Raquel Urtasun. Multi-task multi-sensor fusion for 3d object detection. In Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), June 2019.
25. G.D. Forney. The viterbi algorithm. Proceedings of the IEEE, 61(3): 268–278, 1973.
26. Agostino Martinelli. Modeling and {Estimating} the {Odometry} {Error} of a {Mobile} {Robot}. IFAC Proceedings Volumes, 34(6): 407–412, 2001.
27. Yasuyoshi Yokokohji, Yoshihiro Kawai, Mizuho Shibata, Yasumichi Aiyama, Shinya Kotosaka,Wataru Uemura, Akio Noda, Hiroki Dobashi, Takeshi Sakaguchi, and Kazuhito Yokoi. World robot summit – summary of the pre-competition in 2018. Advanced Robotics, pages 1–24, 09.2019.
28. ROS. ROS (Robot Operating System), 2018.
29. Nathan Koenig and Andrew Howard. Design and use paradigms for gazebo, an opensource multi-robot simulator. In IEEE/RSJ International Conference on Intelligent Robots and Systems, pages 2149–2154, Sendai, Japan, Sep 2004.
30. Imam Bukhori and Zool Ismail. Detection of kidnapped robot problem in monte carlo localization based on the natural displacement of the robot. International Journal of Advanced Robotic Systems, 14:172988141771746, 07 2017.
31. Kai Wurm, A. Hornung, Maren Bennewitz, Cyrill Stachniss, and Wolfram Burgard. Octomap: A probabilistic, flexible, and compact 3d map representation for robotic systems. volume 2, 01 2010.
32. Bastian Steder, Christian Dornhege, Michael Ruhnke, Giorgio Grisetti, Cyrill Stachniss, and Alexander Kleiner. On Measuring the Accuracy of SLAM Algorithms. Technical report.
Опубликован
Как цитировать
Раздел
Copyright (c) Oscar Fuentes
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.
Авторы, которые публикуются в данном журнале, соглашаются со следующими условиями: Авторы сохраняют за собой авторские права на работу и передают журналу право первой публикации вместе с работой, одновременно лицензируя ее на условиях Creative Commons Attribution License, которая позволяет другим распространять данную работу с обязательным указанием авторства данной работы и ссылкой на оригинальную публикацию в этом журнале. Авторы сохраняют право заключать отдельные, дополнительные контрактные соглашения на неэксклюзивное распространение версии работы, опубликованной этим журналом (например, разместить ее в университетском хранилище или опубликовать ее в книге), со ссылкой на оригинальную публикацию в этом журнале. Авторам разрешается размещать их работу в сети Интернет (например, в университетском хранилище или на их персональном веб-сайте) до и во время процесса рассмотрения ее данным журналом, так как это может привести к продуктивному обсуждению, а также к большему количеству ссылок на данную опубликованную работу (Смотри The Effect of Open Access).