1 / 31

Kartenerstellung nach Gutmann

Hauptseminar Roboter Navigation. Kartenerstellung nach Gutmann. Vortrag: Gunther Klein 25. Januar 2002. Inhalt 1. Einführung 2. Konsistente Positionsschätzung 3. LRGC-Verfahren nach Gutmann. Gründe für Kartenerstellung 1. Selbstlokalisierung

essien
Download Presentation

Kartenerstellung nach Gutmann

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. Hauptseminar Roboter Navigation Kartenerstellung nach Gutmann Vortrag: Gunther Klein 25. Januar 2002

  2. Inhalt 1. Einführung 2. Konsistente Positionsschätzung 3. LRGC-Verfahren nach Gutmann Inhalt

  3. Gründe für Kartenerstellung 1. Selbstlokalisierung 2. Eintragen wichtiger Positionen (Postfach, Kaffeemaschine, ...) 3. Pfadplanung 1. Einführung

  4. Kartenbegriffe • Topologisch korrekte Karten: • enthaltene Beobachtungen und zugehörige Objekte sind identisch (nur sehr wenig Odometriefehler). • Konsistente Karten: • entspricht realer Umgebung (zB. Keine Wand darf mehrfach vorkommen) • Ziel: topologisch korrekte und konsistente Karten! 1.Einführung

  5. Kartenbegriffe Beispiel: topologisch korrekte, aber nicht konsistente Karte 1. Einführung

  6. Problematik der Kartenerstellung • Konkurrenzproblem: • Integration neuer Daten in Karte über Roboterposition • Bestimmung der Roboterposition mit Hilfe der Karte • Problem zyklischer Umgebungen 1. Einführung

  7. Verfahren mit lokaler Aktualisierung • inkrementelle Integration von Sensordaten durch Überdeckung mit Karte/vorherigem Sensorbild • Positionsbestimmung durch Mittelung/Kalman-Filter • Probleme: - Inkonsistenz (bes. bei Zyklen) • - feste Integration der Daten • Beispiel • Besser: Konsistente Repräsentation der Umgebung 1. Einführung

  8. Verfahren für zyklische Umgebungen • Entfernungsdaten als Objekte • Referenzierung in globalem Koordinatensystem • Bei Objekterkennung Aktualisierung der Roboterposition • Rückwärtspropagierung innerhalb der Schleife • Probleme: - Objekterkennung • - keine globale Konsistenz 1. Einführung

  9. Konsistente Positionsschätzung • von Lu & Milios entwickelt • konsistente Karten in zyklischen Umgebungen • nicht-inkrementeller Ansatz • Scan-Positionen als Knoten eines Netzwerks • Herleitung von Beziehungen zwischen den Positionen: • - Odometrie (weak-links) • - Scan-Matching (strong-links) 2. Konsistente Positionsschätzung

  10. Aufbau eines Netzwerks 2. Konsistente Positionsschätzung

  11. Aufbau eines Netzwerks 2. Konsistente Positionsschätzung

  12. Aufbau eines Netzwerks • Grundidee: • Netzwerk aufbauen: • Positionen als Knoten (freie Variablen) • Beziehungen als Kanten  Feder: • minimale Energie <=> Positionen = Beziehungen • Aufstellen einer Fehlersumme: • berechnet Gesamtenergie • Bestimmung der Positionen, so dass Gesamtenergie minimal 2. Konsistente Positionsschätzung

  13. Optimierungsproblem • Positionen als freie Variablen • wobei • Kanten: • Beobachtung von (Odometrie, Scan- Matching) • : gaussverteilter Fehler mit • Ziel: Optimale Schätzung der 2. Konsistente Positionsschätzung

  14. Optimalitätskriterium Kriterium: minimale Varianz => Minimierung der Mahalanobis-Distanz: Auflösen nach X 2. Konsistente Positionsschätzung

  15. Beispiel: Universität Toronto (29 x 30 m) 2. Konsistente Positionsschätzung

  16. Resultat • hohe Laufzeit, wegen Invertierung O(n³) • nicht echtzeitfähig • Scan-Matching benötigt topologisch korrekte Daten • noch besser: inkrementeller Ansatz 2. Konsistente Positionsschätzung

  17. LRGC-Verfahren nach Gutmann • LRGC: “Local Registration and Global Correlation” • benutzt 3 Techniken: • 1. Scan-Matching • 2. Konsistente Positionsschätzung • 3. Kartenkorrelation • inkrementelles Verfahren 3. LRGC-Verfahren nach Gutmann

  18. Grundidee • Geg.: Konsistente Karte, neue Position ln • Beziehungen nur über kurze Distanzen -> lokale Aktualisierung • bei Schliessen eines Zyklus: globale Aktualisierung • -> Kartenkorrelation 3. LRGC-Verfahren nach Gutmann

  19. Scan-Matching • IDC-Algorithmus: • - in nicht-pologonalen Umgebungen besser • - polygonale Umgebungen: zu optimistisch • Cox-Algorithnus: bessere Laufzeit • => kombinierter Scan-Matching-Algortihmus (Cox + IDC): • Entscheidungslogik bzgl. Umgebung 3. LRGC-Verfahren nach Gutmann

  20. Konsistente Positionsschätzung 1. zum Erstellen lokaler Kartenstücke aus den letzten k Scans 2. zum Schliessen von Zyklen nach Kartenkorrelation Vergleich lokale/globale Aktualisierung abhängig von k -> 3. LRGC-Verfahren nach Gutmann

  21. Konsistente Positionsschätzung Durchschnittliche Positionsfehler bei schwierigen Scans für K=5 und K=10 3. LRGC-Verfahren nach Gutmann

  22. Konsistente Positionsschätzung • Beurteilung: • konstanter Rechenaufwand (da k konstant) • Rechenaufwand unabhängig von Kartengrösse: < 100ms in typischen Situationen • für Schliessen eines Zyklus Optimierung notwendig: selbst für grosse Zyklen Laufzeit < 10s 3. LRGC-Verfahren nach Gutmann

  23. Kartenkorrelation • Schliessen von Zyklen • keine Historie • läuft im Hintergrund • Bayes: • r: lokales Kartenstück • m: Karte • l: Roboterposition 3. LRGC-Verfahren nach Gutmann

  24. Kartenkorrelation für k Filter verwenden: 1. Hoher Überdeckungswert => k gross 2. Keine Mehrdeutigkeiten => steile Peaks 3. Niedrige Varianz 3. LRGC-Verfahren nach Gutmann

  25. Kartenkorrelation: Beispiel 3. LRGC-Verfahren nach Gutmann

  26. LRGC-Algorithmus 3. LRGC-Verfahren nach Gutmann

  27. Anmerkungen zum LRGC-Algorithmus • Beschränkung des Suchbereichs bei Kartenkorrelation • Suchbereich wächst mit Positionsunsicherheit • lineare Anpassung der lokalen Kartengrösse (k) an Positions- unsicherheit • Schliessen eines Zyklus: Suchgrösse und k verringern sich • weitere Optimierung möglich 3. LRGC-Verfahren nach Gutmann

  28. Bsp: Wean Hall der Carnegie Mellon University • B21-Roboter mit 180° Laserscanner • Umgebung: 80 mal 25 m, längster Zyklus 200 m 3. LRGC-Verfahren nach Gutmann

  29. 3. LRGC-Verfahren nach Gutmann

  30. Bewertung • inkrementelles Verfahren • zusätzlicher Aufwand nur beim Schliessen eines Zyklus • Algortihmus benötigt gute Scan-Matching-Resultate • robuste Erkennung topologischer Zusammenhänge • mögliche Erweiterung: Roboterteam 3. LRGC-Verfahren nach Gutmann

  31. Vielen Dank für Ihre Aufmerksamkeit! Ende

More Related