Mobile Robotik : EKF-SLAM mit optisch erkannten Markierungen zur Bestimmung einer Fahrzeugposition

Abstract

Das Bestimmen der Position und der Orientierung, d.h. die Pose eines Fahrzeuges in einer unbekannten Umgebung ist auch mit vorhandenen Methoden eine Herausforderung. Für diese Aufgabe muss zuerst eine Karte der Umgebung aufgenommen werden. Das Simultaneous Localization and Mapping (SLAM) Problem behandelt beide Aufgaben: das Bestimmen der Pose des Fahrzeugs sowie das gleichzeitige Erstellen einer Karte. Die Theorie von SLAM ist gut erforscht und es existieren bereits verschiedene Ansätze um das Problem zu lösen. Ein bekannter Ansatz ist EKF-SLAM, welcher die Erweiterung von Kalman-Filtern (EKF) nutzt. Ein weiteres Problem im Zusammenhang mit SLAM ist die Daten-Assoziierung von Sensor-Messungen mit der Karte. Zu diesem Zweck wird oft der Nearest Neighbor Standard Filter (NNSF) Ansatz benutzt, welcher nur wahrscheinliche Assoziierungen betrachtet und von diesen die Beste auswählt. Die in dieser Arbeit behandelten Karten konzentrieren sich auf charakteristische Merkmale in der Umgebung. Im konkreten Fall werden visuelle Markierungen sowohl zur Lokalisierung als auch zur Kartographierung verwendet. Diese ähneln QR-Codes von Konsumgütern. Das Ziel der Arbeit ist bekannte Algorithmen für EKF-SLAM zu implementieren. Dabei sollen einerseits die IDs in den Markierungen zur Daten-Assoziierung dienen. Andererseits sollen Markierungen mittels NNSF in der Karte zugeordnet werden, deren IDs nicht erkannt wurden. Dadurch erhält man einen hybriden Ansatz für die Daten-Assoziierung, welcher das SLAM-Ergebnis verbessern soll. Der wissenschaftliche Beitrag dieser Arbeit ist ein Rauschmodell, welches den Messfehler der genutzten Markierungs-Erkennung abbildet. Aus diesem Grund wurden Messungen von visuellen Markierungen aufgenommen und statistisch ausgewertet, um die Varianz der Messungen mittels Funktionen zu approximieren. Schlussendlich wurde dieses Rauschmodell samt der behandelten Algorithmen in einem Modul für das Robot Operating System (ROS) umgesetzt. Dabei wurde gezeigt, dass die Implementation in der Simulation einsetzbar ist.

Estimating the position and orientation, i.e. the pose of a vehicle in an unknown environment is even with known methods a challenge. For this reason, a map of the environment first needs to be created. The Simultaneous Localization and Mapping (SLAM) problem covers both challenges: determining the vehicle's pose as well as creating a map. The theory of SLAM is well studied and several approaches solving the problem already exist. A common approach is EKF-SLAM, which makes use of the Extended Kalman Filter (EKF). Another problem arising in the context of SLAM is the data association of sensor measurements with the map. For this purpose, the Nearest Neighbor Standard Filter (NNSF) approach is used. This is a well-known approach, which only considers likely associations and accepts the most probable among them. This work focuses on feature-based maps, which means that outstanding features in the environment - in our case visual markers similar to QR codes on consumer products - are used for localization and mapping. The aim of this thesis is to implement known algorithms for feature-based EKF-SLAM. On the one hand, this covers exploiting the benefits of the visual markers' IDs for known correspondences between detected visual markers and map features. On the other hand, the EKF-SLAM result is improved by observations without IDs using NNSF resolving the unknown correspondences. This yields a hybrid approach for the data association problem. The scientific contribution is a measurement noise model for the visual marker detection used. For this purpose, measurements of visual markers are recorded and statistically evaluated in order to derive approximation functions for the measurement variance. Finally, the obtained measurement noise model and the discussed algorithms are put into practice by providing a package for the Robot Operating System (ROS). The resulting implementation has been shown to be applicable to a simulated environment.