Eintrag in der Universitätsbibliographie der TU Chemnitz
Sünderhauf, Niko
Protzel, Peter (Prof. Dr.-Ing.) ; Suchy, Jozef (Prof. Dr.-Ing.) (Gutachter)
Robust Optimization for Simultaneous Localization and Mapping
Kurzfassung in deutsch
Im Forschungsbereich der mobilen Robotik beschreibt das sog. SLAM-Problem das Kartieren einer noch unbekannten Umgebung durch einen Roboter. Das Acronym SLAM steht dabei für den englischen Ausdruck Simultaneous Localization and Mapping und betont, dass die Kartierung der Umgebung und die Lokalisierung des Roboters innerhalb dieser Umgebung gleichzeitig stattfinden müssen, um eine korrekte und genaue Repräsentation der Umwelt zu erhalten.Seit das Problem am Ende der 80er Jahre zum ersten Mal beschrieben wurde, wurden viele verschiedene Algorithmen und Lösungsverfahren entwickelt. Über lange Zeit basierten diese Ansätze auf Bayes'schen Filtern, wie zum Beispiel dem Kalman-Filter und seinen verschiedenen Varianten, oder dem Partikel-Filter. In den letzten Jahren lässt sich jedoch in der wissenschaftlichen Literatur ein neuer Trend beobachten. Der Fokus neuer Arbeiten auf dem Gebiet verschiebt sich mehr und mehr in Richtung optimierungsbasierter Verfahren, die SLAM als nichtlineares quadratisches Optimierungsproblem formulieren. Obwohl derartige Lösungsansätze ihre Leistungsfähigkeit und ihre Vorteile gegenüber den Filter-Verfahren bereits unter Beweis gestellt haben, teilen sie ein generelles Problem aller quadratischen Optimierungsverfahren: Sie sind nicht robust gegenüber Fehlern wie zum Beispiel sog. Ausreißern in den zugrundeliegenden Daten. Solche Ausreißer entstehen vor allem durch eine fehlerhafte Zuordnung von Sensordaten zu bereits bekannten Strukturen in der Karte bzw. durch eine falsche Erkennung von sog. Schleifenschlüssen (Loop Closures) innerhalb der Trajektorie des Roboters. Das eigentliche Optimierungsverfahren muss sich daher darauf verlassen, dass in einem Vorverarbeitungsschritt sämtliche Fehler und Ausreißer erkannt und entfernt wurden. Andernfalls ist die geschätzte Kartenstruktur mit enormen Fehlern behaftet und nicht nutzbar.
Die vorliegende Arbeit konzentriert sich darauf, den Optimierungskern von SLAM robust gegenüber Ausreißern und Datenfehlern zu gestalten und damit unabhängig von der Leistung evntl. vorgeschalteter Algorithmen zu machen. Dies wird erreicht, in dem die Topologie der Graph-basierten Reräsentation des Optimierungsproblems selbst während der Optimierung verändert werden kann. Damit kann der Optimierer einzelne Datenelemente während der Lösungssuche als fehlerhaft identifizieren und aus der Problemformulierung entfernen. Im Ergebnis kann das vorgeschlagene Verfahren auch dann gegen eine korrekte Lösung konvergieren, wenn zahlreiche Fehler und Ausreißer vorhanden sind. Die Leistungsfähigkeit des vorgeschlagenen robusten SLAM-Verfahrens wird anhand großer synthetischer und realer Datensätze gezeigt und bewertet.
Die Arbeit zeigt weiterhin, dass das vorgeschlagene Verfahren nicht auf SLAM beschränkt ist, sondern darüber hinaus auch in anderen Problemfeldern eingesetzt werden kann, in denen nichtlineare quadratische Optimierungsprobleme zu lösen sind, aber mit Ausreißern in den zugrundeliegenden Daten zu rechnen ist. Dies kann erfolgreich für die satellitengestützte Positionsbestimmung demonstriert werden. Die Datenfehler oder Ausreißer in diesem Problem entstehen besonders in städtischen Umgebungen durch Signalreflexionen an Gebäuden und sog. Mehrwegeempfangsfehler. Es wird anhand eines realen Datensatzes gezeigt, dass mit Hilfe des entwickelten Systems trotz zahlreicher derartiger Fehler eine genaue Positionierung des Empfängers möglich ist.
Kurzfassung in englisch
SLAM (Simultaneous Localization And Mapping) has been a very active and almost ubiquitous problem in the field of mobile and autonomous robotics for over two decades. For many years, filter-based methods have dominated the SLAM literature, but a change of paradigms could be observed recently. Current state of the art solutions of the SLAM problem are based on efficient sparse least squares optimization techniques. However, it is commonly known that least squares methods are by default not robust against outliers. In SLAM, such outliers arise mostly from data association errors like false positive loop closures. Since the optimizers in current SLAM systems are not robust against outliers, they have to rely heavily on certain preprocessing steps to prevent or reject all data association errors. Especially false positive loop closures will lead to catastrophically wrong solutions with current solvers. The problem is commonly accepted in the literature, but no concise solution has been proposed so far.The main focus of this work is to develop a novel formulation of the optimization-based SLAM problem that is robust against such outliers. The developed approach allows the back-end part of the SLAM system to change parts of the topological structure of the problem's factor graph representation during the optimization process. The back-end can thereby discard individual constraints and converge towards correct solutions even in the presence of many false positive loop closures. This largely increases the overall robustness of the SLAM system and closes a gap between the sensor-driven front-end and the back-end optimizers. The approach is evaluated on both large scale synthetic and real-world datasets.
This work furthermore shows that the developed approach is versatile and can be applied beyond SLAM, in other domains where least squares optimization problems are solved and outliers have to be expected. This is successfully demonstrated in the domain of GPS-based vehicle localization in urban areas where multipath satellite observations often impede high-precision position estimates.
| Universität: | Technische Universität Chemnitz | |
| Institut: | Professur Prozessautomatisierung | |
| Fakultät: | Fakultät für Elektrotechnik und Informationstechnik | |
| Dokumentart: | Dissertation | |
| Betreuer: | Protzel, Peter (Prof. Dr.-Ing.) | |
| URL/URN: | http://nbn-resolving.de/urn:nbn:de:bsz:ch1-qucosa-86443 | |
| Quelle: | 2012. - 231 S. | |
| Freie Schlagwörter (Deutsch): | Robotik , Robuste Optimierung , Ausreißer , Lokalisierung , Kartierung , SLAM-Verfahren | |
| Freie Schlagwörter (Englisch): | Simultaneous Localization and Mapping , Pose Graph SLAM , Appearance-Based Place Recognition , Nonlinear Least Squares Optimization , Factor Graph , Robust Optimization , Outlier Rejection , GNSS-based Localization , Multipath Mitigation | |
| Tag der mündlichen Prüfung | 19.04.2012 |
