Visual simultaneous localization and mapping evaluation on a mobile robot platform

Abstract

Robots are indispensable in our modern world and particularly in the industrial sector.As the hardware and software development progresses, so do our robots which unlock a variety of new domains. One particular field that is gaining traction is personal human support robots. However for such automated machinery to be used in a personal context it needs to be capable of self-localizing and creating maps of its surroundings. Simultan eous localization and mapping (SLAM) is an algorithm class that plays a crucial role in all of those problems. With SLAM, robots can use a variety of sensors to create maps as well as poses and optimize those while working. Those poses in combination with RGB-Dimages can be used to generate 3D reconstructions of the robot’s surroundings, and let robots autonomously model objects within it to support grasping techniques. Creating such models requires very accurate poses, but evaluating the estimated trajectory of a SLAM technique depends on the availability of the real trajectory to be known exactly. Due to inaccurate actuators and noise, measuring trajectories need test rooms to be setup with external sensors, which need to be well-calibrated. Such setups are not only complicated but also expensive and limit the scenarios that can be evaluated. In this thesis, we propose to use 3D object reconstruction based on SLAM pose estimations to assess the SLAM’s quality. In the wake of this, an evaluation of novel visual SLAM methods on the Toyota HSR mobile robot platform is carried out. The quality, as well as the robustness of SLAM trajectories, are measured by comparing reconstructed 3D objects generated by poses from visual SLAM methods to high-quality 3D object models.

Roboter sind unverzichtbar in unserer modernen Welt, insbesondere im industriellen Sektor. Mit dem Fortschritt in der Hardware- und Softwareentwicklung verbessern sich auch unsere Roboter, woraufhin sich eine Vielzahl von neuen Anwendungsgebieten erschließt. Ein besonderes Gebiet, das an Bedeutung gewinnt, sind Personal Human Support Robots. Damit jedoch solch automatisierte Maschinen in einem persönlichen Kontext verwendet werden können, müssen sie in der Lage sein, sich selbst zu lokalisieren und Karten ihrer Umgebung zu erstellen. Simultaneous Localization and Mapping (SLAM) ist eine Algorithmusklasse, die bei diesen Problemen eine entscheidende Rolle spielt. Mit SLAM können Roboter eine Vielzahl von Sensoren nutzen, um Karten zu erstellen,sich zu positionieren und dies während der Laufzeit zu optimieren. Diese Posen können in Kombination mit RGB-D Bildern verwendet werden, um 3D-Rekonstruktionen der Umgebung des Roboters zu generieren, die später bei der Anwendung von grasping Techniken hilfreich sein können. Um die geschätzte Trajektorie einer SLAM Methode zubewerten, muss die tatsächliche Trajektorie genau bekannt sein. Aufgrund ungenauer Aktuatoren und Rauschen werden Testräume mit externen Sensoren benötigt, welche genau kalibriert werden müssen. Solche Einrichtungen sind nicht nur komplex, sondern auch sehr teuer und limitieren die Evaluationsszenarien. In dieser Arbeit wird deshalb vorgeschlagen, 3D-Objektrekonstruktionen basierend auf SLAM Posenschätzungen zu verwenden, um die Qualität von SLAM-Trajektorien zu bewerten. Im Anschluss daran wird eine Evaluierung visual SLAM-Methoden auf der Toyota HSR Mobile Robot Platform durchgeführt. Die Qualität und Robustheit von SLAM-Trajektorien werden gemessen, indem 3D-Objekte, welche mithilfe von Positionsabschätzungen aus der visual SLAM Methode rekonstruiert wurden, mit exakten 3D-Modellen verglichen werden.