Direkt zum Inhalt | Direkt zur Navigation

Eingang zum Volltext

Lizenz

Bitte beziehen Sie sich beim Zitieren dieses Dokumentes immer auf folgende
URN: urn:nbn:de:bsz:25-opus-56744
URL: http://www.freidok.uni-freiburg.de/volltexte/5674/


Pfaff, Patrick

Probabilistic models for autonomous systems

Probabilistische Modelle für Autonome Systeme

Dokument1.pdf (9.106 KB) (md5sum: 32e3265a27779d9a8ff9ef19a8df462c)

Kurzfassung in Englisch

Whenever robots are supposed to robustly and efficiently
operate in real world environments, they need to consider the
uncertainty in their perception and actuation. In mobile robot
navigation, these uncertainties arise, for example, when a robot has
to fulfill steering commands or is equipped with noisy sensors to
perceive information regarding the environment. Probabilistic models
for sensory data as well as for actuators are a key concept to deal
with these uncertainties while addressing navigation problems such as
mapping, localization, or path planning.

The main contribution of this thesis are novel probabilistic
observation models for localization and mapping using range
sensors. The models we developed constitute more fundamental
approaches than state of the art models and yield a more robust and
efficient localization. The key idea in our models is to consider the
errors caused by the sample-based approximation of the probability
distribution of potential robot poses. Since the number of samples
from this distribution is limited, pose hypothesis should be
considered as regions covering the configuration space which introduce
statistical dependencies between the individual sensor
measurements. In contrast to the Models proposed frequently in the
literature which try to overcome this problem with an artificial
smoothing of the likelihood function or with additional data dependent
heuristics we present models which directly incorporate the
dependencies between individual laser beams and which are
location-dependent. Exploiting the dependencies between the individual
laser beams leads to a more efficient and accurate localization since
this allows us to integrate more sensor measurements than in state of
the art approaches. Another advantage of the models proposed in this
thesis is that they consider that the world, in general, cannot be
regarded as continuous. These discontinuities cause serious problems
since range finders directly measure distance. For example, in
situations in which the robot operates close to edges of obstacles or
in highly cluttered environments, small changes in the pose of the
robot can lead to large variations in the acquired range
information. If the sensor model does not appropriately characterize
the resulting fluctuations, the performance of probabilistic
approaches may substantially degrade. In this thesis, we therefore
also present approaches which use mixtures of Gaussians to model the
likelihood function for single range measurements as well as for
entire range scans. In practical experiments, we compare our
approaches against previous methods and demonstrate the substantial
improvements when the dependencies between sensor perceptions are
considered, as well as the gain achieved by models which allow to
model strong fluctuations in the perceptions of the robot.

The contribution of this thesis in the context of mapping are
three-dimensional environment models for in-and outdoor navigation. We
introduce the concept of the extended elevation maps as well as a
further extension of elevation maps towards multiple surfaces. These
so-called multi-level surface maps (MLS maps) offer the opportunity to
model environments with more than one traversable level and vertical
objects at the same time. Additionally, both data structures provide a
classification based on the corresponding environment which leads to a
more efficient and robust data association when actual
three-dimensional sensor data has to be integrated into an existing
map. As a result we are able to build highly accurate maps of
large-scale outdoor environments even without a global pose estimation
system such as GPS. In practical experiments, we applied the MLS map
approach to mapping of large outdoor environments, localization using
laser range finders, and exploration in combined indoor and outdoor
environments.


Kurzfassung in Deutsch

Seit einigen Jahren nimmt der Einsatz von Robotern im täglichen Leben mehr
und mehr zu. Um Roboter sicher und effizient in der echtenWelt einsetzen zu
können, müssen diese in der Lage sein, die Unsicherheit in ihren Wahrnehmungen
und Handlungen zu berücksichtigen. Beim Navigieren mit mobilen
Robotern entstehen diese Unsicherheiten immer dann, wenn ein Roboter Steuerungskommandos ausführen soll und mit ungenauen oder störanfälligen Sensoren ausgestattet ist, um Informationen aus der Umgebung wahrnehmen zu können. Der Schlüssel, um mit diesen Unsicherheiten umgehen zu können, ist in der Verwendung von probabilistischen Modellen zu sehen. Die Modellierung der Wahrnehmungen und ausführbaren Aktionen sind essentiell, wenn autonome Systeme Aufgaben wie beispielsweise das Kartieren von Umgebungen, Lokalisierung oder Pfadplanung erfüllen sollen. Der Beitrag dieser Arbeit besteht aus neuartigen probabilistischen Sensormodellen zum Lokalisieren von autonomen Systemen und zum Erstellen von Umgebungskarten. Die Modelle, die im Zusammenhang mit der probabilistischen Lokalisierung entwickelt wurden, stellen einen allgemeineren Ansatz als existierende Techniken dar und ermöglichen deshalb eine sicherere und effizientere Lokalisierung. Diese Eigenschaft liegt darin begründet, dass die Modelle, die wir in dieser Arbeit präsentieren, von der aktuellen Position des Roboters abhängen und deshalb die statistischen Abhängigkeiten zwischen den Sensormessungen, der aktuellen Positionsschätzung und der Umgebungskarte berücksichtigen. Aufgrund dieser fundamentalen Herangehensweise, ist es
nicht notwendig, wie in früheren Ansätzen häufig vorgeschlagen, diese Modelle künstlich anzupassen und zusätzliche Umgebungs- und Datenabhängige Heuristiken einzuführen. Darüber hinaus betrachten wir die statistischen Abhängigkeiten zwischen einzelnen Messungen einer Laser-Entfernungsmessung. Als Folge dessen erreichen wir eine effizientere und genauere Lokalisierung, da uns diese techniken ermöglichen, mehr Sensormessungen als bisherige Ansätze gleichzeitig zur Positionsschätzung auszuwerten. Als weiteren Vorteil ziehen unsere neuartigen Modelle mögliche Diskontinuitäten, wie sie im allgemeinen Fall existieren, in Betracht. Diese Diskontinuitäten verursachen ernsthafte Probleme da entfernungs Sensoren direkt Distanzmessungen liefern und treten beispielsweise auf, wenn ein Roboter nahe an Ecken oder Hindernissen vorbeifährt oder wenn ein Roboter in einer sehr unstrukturierten Umgebung
operiert. In diesen Situation führen geringe Änderungen in der Roboterposition zu sprunghaften Veränderungen in der Wahrnehmung des Roboters. Deshalb ist es notwendig, diese Fälle zu modellieren, um einen substantiellen Abfall der Performanz der Lokalisierung zu verhindern. In dieser Arbeit wenden wir deshalb Gauss’sche Mischmodelle an, um sowohl einzelne Entfernungsmessungen als auch komplette Scans, die aus mehreren Entfernungsmessungen bestehen, zu modellieren. In praktischen Experimenten und unter Verwendung von echten Daten, die von mobilen Robotern aufgenommen wurden, vergleichen wir unsere Ansätze mit existierenden Methoden. Dabei demonstrieren wir den substantiellen Gewinn, der erreicht wird, wenn sowohl die Abhängigkeiten zwischen einzelnen Messungen als auch die möglichen Fluktuationen in den Sensormessungen des Roboters in Betracht gezogen wird.

Der Beitrag dieser Arbeit im Bereich der Kartierung liegt im Bereich neuartiger
dreidimensionaler Modelle für die Navigation im Innen- und Außenbereich. Wir stellen sowohl das Konzept von erweiterten Höhenkarten (Extended Elevation Maps) als auch das Konzept einer Erweiterung dieser Idee auf mehrere Ebenen (Multi-Level Surface Maps) vor. Die Multi-Level Surface Map ermöglicht, zur gleichen Zeit vertikale Objekte und mehr als eine befahrbare Ebene der Welt zu modellieren. In praktischen Experimenten haben wir diese Datenstruktur angewendet, um weitläufige Gebiete im Aussenbereich zu Kartieren, autonome Roboter aufgrund dieser Karten zu lokalisieren und unbekannte Gebiete mit autonomen Fahrzeugen zu explorieren.


SWD-Schlagwörter: Robotik
Freie Schlagwörter (deutsch): Autonome Mobile Systeme , Lokalisierung , Sensormodelle , mobile Robotik
Freie Schlagwörter (englisch): mobile robotics , sensor models , localizatio n, SLAM , 3D-Mapping
CCS Klassifikation Probabilis
Institut: Institut für Informatik
Fakultät: Technische Fakultät (bisher: Fak. f. Angew. Wiss.)
DDC-Sachgruppe: Informatik
Dokumentart: Dissertation
Erstgutachter: Burgard, Wolfram (Prof. Dr.)
Sprache: Englisch
Tag der mündlichen Prüfung: 07.07.2008
Erstellungsjahr: 2008
Publikationsdatum: 18.08.2008
Indexliste