Occupancy grid based graph-slam using the distance transform, SURF features and SGD Autores: Arturo Gil, Miguel Juliá, Óscar Reinoso Artur Segal Kaim
Agenda Introdução Arquitetura Resultados Trabalho futuro
Introdução SLAM: localização e mapeamento simultâneos (Simultaneous Localization And Mapping). SGD: gradiente descendente estocástico (Stochastic Gradient Descent) É uma aproximação estocástica do método de otimização de gradiente descendente para minimizar uma função objetivo que está escrito como uma soma de funções diferenciáveis. Gradiente descendente é um algoritmo de otimização de primeira ordem. Para encontrar um mínimo local de uma função usando gradiente descendente, um toma medidas proporcionais ao negativo do gradiente
Introdução Robôs móveis: 1. Movem-se no ambiente durante a realização de uma tarefa. 2. Cada vez mais freqüentes em aplicações de vigilância, industrial, militar. 3. Pesquisa nesta área centra-se na realização de um robô autônomo capaz de realizar tarefas de alto nível sem supervisão. 4. Navegar dentro de um determinado cenário requer um mapa preciso. Consequencia: grande interesse em SLAM.
Introdução Resolver o problema SLAM: 1. Implica na habilidade de incrimentalmente construir o mapa do meio ambiente 2. ao mesmo tempo, usa-se este mapa para computar localização absoluta do robô. 3. Isto é considerado como um problema difícil: uma vez que qualquer erro na estimativa da localização e orientação do robô induz um erro na estimativa do mapa um erro no mapa produzirá um erro quando a localização do robô com respeito a ele.
Introdução Abordagens SLAM diferem principalmente no tipo de sensores utilizados para extrair a informação a partir do ambiente: 1. Telémetros a laser 2. Câmeras 3. Sensores de visão omnidirecional
Introdução Algoritmos SLAM tipicamente diferem também no algoritmo de base utilizados para estimar o mapa: 1. Algoritmos clássicos são baseados no filtro de Kalman Estendido (EKF - Extended Kalman Filter) 2. Filtro de partículas aproximado 3. Gradiente descendente estocástico
Introdução Um problema comum em algoritmos SLAM é a escalabilidade. Algoritmos SLAM devem ser capaz de computar áreas extensas, quer usando um único ou múltiplos robôs. Suponha que um algoritmo é capaz de estimar um mapa de ocupação da rede 1 x 1m e gasta 1 s nesta tarefa. À medida que a área e a quantidade de informação a partir do ambiente cresce, o tempo necessário para calcular o mapa geralmente aumenta de forma exponencial
Introdução EKF: sofre de má escalabilidade e têm uma aplicabilidade limitada a grandes mapas. Fase de atualização tem uma dependência quadrática com o número de recursos no mapa. Filtro de partícula: problemas quando usado com vários robôs, uma vez que dependem de amostragem da localização dos robôs. O número de partículas requeridas cresce à medida que o número de dimensões aumenta. Algoritmos baseados em grafícos: apresentam melhor desempenho em escalabilidade; são uma abordagem mais compacta para SLAM. (Tree-based network Optimizer - TORO foi utilizado).
Introdução Importante conceito: fechamento de laços O robô móvel deve ser capaz de estabelecer relações entre as diferentes áreas exploradas até o momento, de modo que saiba se a área que está atravessando agora foi visitada antes ou não. Técnicas de SLAM utilizando grafos consideram a computação de mapas baseando-se em um conjunto de restrições: 1. Leituras de hodômetro (odometria é o uso de dados dos sensores de movimento para estimar a mudança de posição ao longo do tempo).
Introdução Leituras de hodômetro: introduzem distâncias com ruídos entre os nós do grafo e relações entre os nós obtidos a partir de observações. Vários autores têm aplicado técnicas de grafos em combinação com técnicas de visão computacional como uma maneira de encontrar correspondências entre diferentes observações do ambiente. Em seguida, um grafo de visões do ambiente pode ser criado a partir dessas correspondências. Nestas abordagens, cada nó do gráfico corresponde a uma imagem adquirida pelo robô em diferentes locais no espaço.
Introdução Poucas pesquisas foram realizadas até agora com abordagens baseadas em gráfico com dados a laser. Proposta: foco neste problema e apresentação de diversas novas ideias e técnicas. Em matemática, um manifold é um espaço topológico que se assemelha localmente a um espaço euclidiano perto de cada ponto. Mais precisamente, cada ponto de um manifold de n-dimensiões tem uma vizinhança que é homeomorfo ao espaço euclidiano de dimensão n. (Wikipedia)
Introdução Em matemática, um manifold é um espaço topológico que se assemelha localmente a um espaço euclidiano perto de cada ponto. Mais precisamente, cada ponto de um manifold de n-dimensiões tem uma vizinhança que é homeomorfo ao espaço euclidiano de dimensão n. (Wikipedia) Um manifold composto por um conjunto de correções a partir de um espaço bidimensional incorporado num espaço dimensional mais elevado. A utilização desta representação permite uma maneira fácil de retroatravessar o espaço e que permite também a atrasar indefinidamente o encerramento de laços, enquanto tendo sempre um mapa consistente para a navegação.
Introdução Um manifold por um conjunto de correções a partir um espaço bidimensional incorporado num espaço dimensional mais elevado. A utilização desta representação permite uma maneira fácil de retroatravessar o espaço e que permite também a atrasar indefinidamente o encerramento de laços, enquanto tendo sempre um mapa consistente para a navegação. O trabalho explora esse conceito.
Introdução Este trabalho apresenta SLAM baseado em grade de ocupação. A abordagem mostra boas propriedades de escalabilidade e pode ser aplicado para o mapeamento de grandes áreas. A principal contribuição deste trabalho consiste em uma nova técnica que utiliza ocupação sub-mapas locais em combinação com características visuais para encontrar correspondências robustas entre diferentes locais no mapa.
Introdução Propõe-se usar os recursos de SURF aplicados à transformação de distância dos mapas locais. Características SURF têm sido amplamente utilizadas para extrair pontos significativos de imagens planares ou panorâmicas. No entanto, nunca foi usado em imagens da grade de ocupação. Além disso, neste estudo usa-se a transformação de distância antes da extração de pontos importantes. Observou-se melhores resultados desta forma. A distância de transformação de uma imagem dá a cada pixel um valor que corresponde com a distância ao obstáculo mais próximo no mapa. Obstáculos são representados na grade de ocupação como as células que possuem um valor de zero.
Introdução Como resultado, após a aplicação de transformação de distância, obtem-se um valor que enfatiza a estrutura do meio ambiente. Observa-se que as características SURF extraídas desses mapas são muito robustas. Além disso, o número de recursos é significativamente menor do que aplicar o detector de recurso SURF diretamente para a rede de ocupação, uma vez que a distância transformação tende a remover detalhes desnecessários e enfatiza a estrutura das áreas locais. Usa-se a representação manifold, mas extendido e desenvolvendo com uma representação de mapa local diferente e um alinhamento com base característica dos sub-mapas.
Introdução A abordagem SLAM é concluída com a construção de um mapa usando o grafo criado a partir das observações. Cada observação é calculada como o alinhamento de dois mapas de grade de ocupação locais diferentes. Finalmente, este gráfico é otimizado usando gradiente descendente estocástico e todas as grades de ocupação são fundidas em conjunto para criar um mapa global de grade ocupação.
Introdução
Arquitetura
Arquitetura Usa-se de dois tipos diferentes de mapas: o mapa de grade SLAM local e o mapa de grade de navegação local. O primeiro, o mapa de grade SLAM local é usado na tarefa SLAM. O segundo, a grade de navegação local é usado para calcular a trajetória livre de obstáculos usando um planejador reativo. Ambos os mapas são criados por meio dos dados do laser utilizando a posição calculada pela correspondência de varredura.
Resultados
Resultados
Resultados O ambiente a seguir possui aproximadamente 10 X 40 m. A trajetória percorrida pelo robô para explorar este cenário foi de 52 m de comprimento e o mapa obtido é muito preciso.
Resultados
Resultados Ambiente de 15 X 50 m.
Conclusões A principal novidade deste trabalho é a utilização de uma transformada de distância nos mapas de grade de ocupação locais. Além disso, os mapas locais resultados são então processados para extrair características SURF.
Conclusões Este fato apresenta muitas vantagens, pois as características extraídas desses mapas são muito robustas e são uma forma compacta para descrevê-los. Os descritores visuais associados com cada um dos pontos SURF extraídos permitem facilitar a procura de correspondência entre os mapas locais.
Conclusões A harmonização das características SURF entre mapas diferentes é utilizada, a fim de calcular as transformações entre diferentes mapas-chave. Essas transformações estão incluídas num gráfico onde as localizações dos quadros de referência para cada mapa-chave forma os vértices e as transformações encontrados entre os mapas-chave são as arestas. Em seguida, o gráfico é otimizado utilizando um método de gradiente estocástico descendente (SGD).
Conclusões Finalmente, uma vez que a pose ideal para cada mapachave foi determinada, propõe duas maneiras de criar o mapa global por meio da fusão dos diferentes mapas de grade de ocupação local
Conclusões Vários testes foram realizados. Os experimentos simulados permitiram avaliar o processo de encontrar a correspondência e alinhamento entre os principais mapas locais, enquanto ainda construindo o gráfico.
Conclusões A arquitetura também foi testada utilizando dados reais adquiridos pela plataforma robótica. Ótimos resultados foram obtidos com os dados do reais do laser. Em todos casos, mapas precisos e coerentes foram construídos, provando o funcionamento de todo algoritmo.
Trabalho futuro Propõe-se estudo de maior nível de associação entre os mapas-chave, de modo a evitar falsos fechamentos de laços. Mais pesquisa precisa ser feita sobre a fusão de mapas, já que os dois métodos apresentados apresentam problemas.
Obrigado!