Till innehåll på sidan

Data-driven Approaches to Uncertainty Modelling for SLAM in the Open Sea

Tid: To 2022-12-15 kl 14.00

Plats: Kollegiesalen, Brinellvägen 8, Stockholm

Videolänk: https://kth-se.zoom.us/j/69562986585

Språk: Engelska

Ämnesområde: Datalogi

Respondent: Ignacio Torroba , Robotik, perception och lärande, RPL

Opponent: Professor John Leonard, Massachusetts Institute of Technology

Handledare: Associate Professor John Folkesson, Robotik, perception och lärande, RPL; Prof. Patric Jensfelt, Robotik, perception och lärande, RPL

Exportera till kalender

QC 20221128

Abstract

Autonoma undervattensfarkoster (AUV) utrustade med multibeam-ekolod har blivit ett oumbärligt verktyg för batymetrisk kartläggning tack vare dess förmåga att nå hahvsbottenområden som är oåtkomliga för ytfartyg.Fördelen med att kunna komma närmare till undersökningsområden kommer dock på bekostnad av ett växande fel i AUVs globala positionsuppskattning, detta på grund av bristen på tidigare kartor eller undervattens-georeferenssystem, såsom GPS.Denna begränsning, tillsammans med förändrande vattendynamik i djuphavsvatten och skalan på områden som ska kartläggas, gör att Simultaneous Localization and Mapping (SLAM) är ett måste för pålitlig och säker AUV-navigering i öppet hav för långa avstånd.

SLAM har möjliggjort säker utplacering av självkörande bilar på gator och servicerobotar i våra hem, men i djuphavsområdet är SLAM fortfarande en utmaning.Detta beror på de begränsade avkänningsmöjligheterna tillgängliga under vatten och avsaknaden på urskiljbara kännetecken i havsbotten.På grund av detta är lyckad platsigenkänning sällsynt, vilket leder till färre detektion av loop closure (LC). Varje LC blir därmed mer avgörande.För att korrekt kunna lägga in LC-begränsningar i en SLAM-backend måste deras osäkerheter noggrant parametriseras för att väga deras inflytande i den slutliga uppskattningen av AUVs kurs.Denna doktorsavhandling handlar därför om modellering av dessa osäkerheter och fokuset ligger på datadrivna metoder i tillfällen där analytiska modeller inte kan härledas.

Vi presenterar våra bidrag inom tre nyckelområden för SLAM med hänsyn till detta problem.För det första visar vårt arbete med att härleda osäkerheter i den batymetriska kartregistreringsprocessen hur djupinlärningstekniker kan tillämpas för att lära sig brusmodeller direkt från rådata och utan ground truth positionsinformation.Vidare visar vi hur de förutspådda osäkerheterna förbättrar konvergensen av submap-baserad graf-SLAM lösningar i AUV kartläggningar.För det andra introducerar vi en metodik för att konstruera terrängrepresentationer där Stochastic Variational Gaussian processes (SVGP) används för att sprida AUVs lokaliserings- och sensorosäkerheter till de slutliga batymetriska kartorna.Den föreslagna metodiken är inte begränsad till någon GP-kärna eller brusmodell i data och kan hantera dataset med miljontals träningspunkter.Experimenten visar hur de lärda terrängmodellerna förbättrar partikelfilteruppskattningar av AUV-lokalisering.Slutligen anpassar vi den tidigare nämnda SVGP-kartläggningsmetoden till online batymetriskinlärning och visar dess skalbarhet och flexibilitet i ett Rao-Blackwellized SLAM-ramverk.Den presenterade RBPF-SVGP lösningen kan köras med upp till 100 partiklar parallellt, där varje ensklid partikel har sin egen SVGP-karta över hela kartläggningsområden.Våra resultat visar hur RBPF-SVGP kan tillämpas i realtid i en inbyggd plattform och kan utföras live i en AUV.

Vidare har alla föreslagna implementeringar gjorts allmänt tillgängliga för att främja vidare forskning inom undervattens-SLAM och antagande av gemensamma ramverk med öppen källkod, dataset och benchmark inom forskningsområdet.

urn.kb.se/resolve?urn=urn:nbn:se:kth:diva-321605