robotica probabilistica -...
TRANSCRIPT
![Page 1: Robotica Probabilistica - wpage.unina.itwpage.unina.it/alberto.finzi/didattica/SGRB/materiale/lezioneSGR-SLAM.pdf · 7 Perché SLAM è difficile? SLAM: posizione e mappa del robot](https://reader033.vdocuments.us/reader033/viewer/2022050718/5e1743ad0fce0b371956746c/html5/thumbnails/1.jpg)
Robotica Probabilistica
SLAM
![Page 2: Robotica Probabilistica - wpage.unina.itwpage.unina.it/alberto.finzi/didattica/SGRB/materiale/lezioneSGR-SLAM.pdf · 7 Perché SLAM è difficile? SLAM: posizione e mappa del robot](https://reader033.vdocuments.us/reader033/viewer/2022050718/5e1743ad0fce0b371956746c/html5/thumbnails/2.jpg)
2
Dato:
• Il controllo del robot
• Osservazione di features vicine
Stima:
• Mappa delle features
• Percorso del robot
Il problema SLAM
Un robot esplora un ambiente
sconosciuto e statico.
![Page 3: Robotica Probabilistica - wpage.unina.itwpage.unina.it/alberto.finzi/didattica/SGRB/materiale/lezioneSGR-SLAM.pdf · 7 Perché SLAM è difficile? SLAM: posizione e mappa del robot](https://reader033.vdocuments.us/reader033/viewer/2022050718/5e1743ad0fce0b371956746c/html5/thumbnails/3.jpg)
3
Struttura del problema di Landmark-based SLAM
![Page 4: Robotica Probabilistica - wpage.unina.itwpage.unina.it/alberto.finzi/didattica/SGRB/materiale/lezioneSGR-SLAM.pdf · 7 Perché SLAM è difficile? SLAM: posizione e mappa del robot](https://reader033.vdocuments.us/reader033/viewer/2022050718/5e1743ad0fce0b371956746c/html5/thumbnails/4.jpg)
4
Mapping with Raw Odometry
![Page 5: Robotica Probabilistica - wpage.unina.itwpage.unina.it/alberto.finzi/didattica/SGRB/materiale/lezioneSGR-SLAM.pdf · 7 Perché SLAM è difficile? SLAM: posizione e mappa del robot](https://reader033.vdocuments.us/reader033/viewer/2022050718/5e1743ad0fce0b371956746c/html5/thumbnails/5.jpg)
5
Applicazioni dello SLAM
Indoors
Space
Undersea
Underground
![Page 6: Robotica Probabilistica - wpage.unina.itwpage.unina.it/alberto.finzi/didattica/SGRB/materiale/lezioneSGR-SLAM.pdf · 7 Perché SLAM è difficile? SLAM: posizione e mappa del robot](https://reader033.vdocuments.us/reader033/viewer/2022050718/5e1743ad0fce0b371956746c/html5/thumbnails/6.jpg)
6
Rappresentazioni
•Grid maps o scans
[Lu & Milios, 97; Gutmann, 98: Thrun 98; Burgard, 99; Konolige & Gutmann, 00; Thrun, 00; Arras,
99; Haehnel, 01;…]
• Landmark-based
[Leonard et al., 98; Castelanos et al., 99: Dissanayake et al., 2001; Montemerlo et al., 2002;…
![Page 7: Robotica Probabilistica - wpage.unina.itwpage.unina.it/alberto.finzi/didattica/SGRB/materiale/lezioneSGR-SLAM.pdf · 7 Perché SLAM è difficile? SLAM: posizione e mappa del robot](https://reader033.vdocuments.us/reader033/viewer/2022050718/5e1743ad0fce0b371956746c/html5/thumbnails/7.jpg)
7
Perché SLAM è difficile?
SLAM: posizione e mappa del robot sconosciuti
Errori di percorso sono correlati agli errori nella mappa
![Page 8: Robotica Probabilistica - wpage.unina.itwpage.unina.it/alberto.finzi/didattica/SGRB/materiale/lezioneSGR-SLAM.pdf · 7 Perché SLAM è difficile? SLAM: posizione e mappa del robot](https://reader033.vdocuments.us/reader033/viewer/2022050718/5e1743ad0fce0b371956746c/html5/thumbnails/8.jpg)
8
• Nel mondo reale, il mapping tra osservazioni e landmarks è sconosciuto
• Associazioni sbagliate possono avere conseguenze catastrofiche
• Errori di posa correlati a associazioni di dati
Robot pose
uncertainty
Perché SLAM è difficile?
![Page 9: Robotica Probabilistica - wpage.unina.itwpage.unina.it/alberto.finzi/didattica/SGRB/materiale/lezioneSGR-SLAM.pdf · 7 Perché SLAM è difficile? SLAM: posizione e mappa del robot](https://reader033.vdocuments.us/reader033/viewer/2022050718/5e1743ad0fce0b371956746c/html5/thumbnails/9.jpg)
9
SLAM: Simultaneous Localization and Mapping
• Full SLAM:
•Online SLAM:
Integrazioni fatte una alla volta
),|,( :1:1:1 ttt uzmxp
121:1:1:1:1:1 ...),|,(),|,( − = ttttttt dxdxdxuzmxpuzmxp
Stima della posa e mappa più recente
Stima di percorso e mappa
![Page 10: Robotica Probabilistica - wpage.unina.itwpage.unina.it/alberto.finzi/didattica/SGRB/materiale/lezioneSGR-SLAM.pdf · 7 Perché SLAM è difficile? SLAM: posizione e mappa del robot](https://reader033.vdocuments.us/reader033/viewer/2022050718/5e1743ad0fce0b371956746c/html5/thumbnails/10.jpg)
10
Graphical Model di Online SLAM:
121:1:1:1:1:1 ...),|,(),|,( − = ttttttt dxdxdxuzmxpuzmxp
![Page 11: Robotica Probabilistica - wpage.unina.itwpage.unina.it/alberto.finzi/didattica/SGRB/materiale/lezioneSGR-SLAM.pdf · 7 Perché SLAM è difficile? SLAM: posizione e mappa del robot](https://reader033.vdocuments.us/reader033/viewer/2022050718/5e1743ad0fce0b371956746c/html5/thumbnails/11.jpg)
11
Graphical Model of Full SLAM:
),|,( :1:1:1 ttt uzmxp
![Page 12: Robotica Probabilistica - wpage.unina.itwpage.unina.it/alberto.finzi/didattica/SGRB/materiale/lezioneSGR-SLAM.pdf · 7 Perché SLAM è difficile? SLAM: posizione e mappa del robot](https://reader033.vdocuments.us/reader033/viewer/2022050718/5e1743ad0fce0b371956746c/html5/thumbnails/12.jpg)
12
Tecniche per la generazione di mappe consistenti
•Scan matching
• EKF SLAM
• Fast-SLAM
• Probabilistic mapping with a single map and a posterior about poses Mapping + Localization
•Graph-SLAM, SEIFs
![Page 13: Robotica Probabilistica - wpage.unina.itwpage.unina.it/alberto.finzi/didattica/SGRB/materiale/lezioneSGR-SLAM.pdf · 7 Perché SLAM è difficile? SLAM: posizione e mappa del robot](https://reader033.vdocuments.us/reader033/viewer/2022050718/5e1743ad0fce0b371956746c/html5/thumbnails/13.jpg)
13
Scan Matching
Massimizza il likelihood della i-sima posa e mappa rispetto alla (i-1)-sima posa e mappa.
Calcola la mappa secondo il “mapping con posa nota” basata sulle pose e le osservazioni.
)ˆ,|( )ˆ ,|( maxargˆ11
]1[
−−
− = ttt
t
ttx
t xuxpmxzpxt
robot motioncurrent measurement
map constructed so far
][ˆ tm
![Page 14: Robotica Probabilistica - wpage.unina.itwpage.unina.it/alberto.finzi/didattica/SGRB/materiale/lezioneSGR-SLAM.pdf · 7 Perché SLAM è difficile? SLAM: posizione e mappa del robot](https://reader033.vdocuments.us/reader033/viewer/2022050718/5e1743ad0fce0b371956746c/html5/thumbnails/14.jpg)
Scan Matching
Tecnica di scan matching.
• Non necessita di landmark
• E’ robusta per piccole modifiche nell’ambiente
• Può lavorare in ogni tipo di ambiente chiuso
![Page 15: Robotica Probabilistica - wpage.unina.itwpage.unina.it/alberto.finzi/didattica/SGRB/materiale/lezioneSGR-SLAM.pdf · 7 Perché SLAM è difficile? SLAM: posizione e mappa del robot](https://reader033.vdocuments.us/reader033/viewer/2022050718/5e1743ad0fce0b371956746c/html5/thumbnails/15.jpg)
Scan Matching
• La tecnica si basa sul confronto tra immagini.
•Date due immagini, attraverso un algoritmo di scan matching si calcola la rotazione e la traslazione tra queste.
•Questi valori usati per correggere i dati odometrici e risolvere quindi il problema dello SLAM.
18/05/2009 15
![Page 16: Robotica Probabilistica - wpage.unina.itwpage.unina.it/alberto.finzi/didattica/SGRB/materiale/lezioneSGR-SLAM.pdf · 7 Perché SLAM è difficile? SLAM: posizione e mappa del robot](https://reader033.vdocuments.us/reader033/viewer/2022050718/5e1743ad0fce0b371956746c/html5/thumbnails/16.jpg)
Calcolo della rotazione
18/05/2009 16
![Page 17: Robotica Probabilistica - wpage.unina.itwpage.unina.it/alberto.finzi/didattica/SGRB/materiale/lezioneSGR-SLAM.pdf · 7 Perché SLAM è difficile? SLAM: posizione e mappa del robot](https://reader033.vdocuments.us/reader033/viewer/2022050718/5e1743ad0fce0b371956746c/html5/thumbnails/17.jpg)
Calcolo della traslazione
18/05/2009 17
![Page 18: Robotica Probabilistica - wpage.unina.itwpage.unina.it/alberto.finzi/didattica/SGRB/materiale/lezioneSGR-SLAM.pdf · 7 Perché SLAM è difficile? SLAM: posizione e mappa del robot](https://reader033.vdocuments.us/reader033/viewer/2022050718/5e1743ad0fce0b371956746c/html5/thumbnails/18.jpg)
18
Algoritmo del Filtro di Kalman
1. Algorithm Kalman_filter( mt-1, St-1, ut, zt):
2. Prediction:
3.
4.
5. Correction:
6.
7.
8.
9. Return mt, St
ttttt uBA += −1mm
t
T
tttt RAA +S=S −1
1)( −+SS= t
T
ttt
T
ttt QCCCK
)( tttttt CzK mmm −+=
tttt CKI S−=S )(
![Page 19: Robotica Probabilistica - wpage.unina.itwpage.unina.it/alberto.finzi/didattica/SGRB/materiale/lezioneSGR-SLAM.pdf · 7 Perché SLAM è difficile? SLAM: posizione e mappa del robot](https://reader033.vdocuments.us/reader033/viewer/2022050718/5e1743ad0fce0b371956746c/html5/thumbnails/19.jpg)
• Primo algoritmo di SLAM
•Mappe Feature-based: pochi landmark (< 1000) e non troppo ambigui
•Rumore Gaussiano: non eccessivo
•Solo con misure di landmark
19
(E)KF-SLAM
![Page 20: Robotica Probabilistica - wpage.unina.itwpage.unina.it/alberto.finzi/didattica/SGRB/materiale/lezioneSGR-SLAM.pdf · 7 Perché SLAM è difficile? SLAM: posizione e mappa del robot](https://reader033.vdocuments.us/reader033/viewer/2022050718/5e1743ad0fce0b371956746c/html5/thumbnails/20.jpg)
•Stima la posizione del robot e quella dei landmark
•Si assumono corrispondenze note
•Si aggiungono le coordinate dei landmark nello state vector
20
(E)KF-SLAM (corrispondenze note)
![Page 21: Robotica Probabilistica - wpage.unina.itwpage.unina.it/alberto.finzi/didattica/SGRB/materiale/lezioneSGR-SLAM.pdf · 7 Perché SLAM è difficile? SLAM: posizione e mappa del robot](https://reader033.vdocuments.us/reader033/viewer/2022050718/5e1743ad0fce0b371956746c/html5/thumbnails/21.jpg)
21
=
2
2
2
2
2
2
2
1
21
2221222
1211111
21
21
21
,),(
NNNNNN
N
N
N
N
N
llllllylxl
llllllylxl
llllllylxl
lllyx
ylylylyyxy
xlxlxlxxyx
N
tt
l
l
l
y
x
mxBel
• Mappa con N landmark:(3+2N)-Gaussiana
• Può gestire centinaia dimensioni
(E)KF-SLAM
![Page 22: Robotica Probabilistica - wpage.unina.itwpage.unina.it/alberto.finzi/didattica/SGRB/materiale/lezioneSGR-SLAM.pdf · 7 Perché SLAM è difficile? SLAM: posizione e mappa del robot](https://reader033.vdocuments.us/reader033/viewer/2022050718/5e1743ad0fce0b371956746c/html5/thumbnails/22.jpg)
22
Soluzione Classica – EKF
• Approssima il post di SLAM con una Gaussiana ad alta dimensione [Smith & Cheesman, 1986] …
• Associazione di dati con singola ipotesi
Blue path = true path Red path = estimated path Black path = odometry
![Page 23: Robotica Probabilistica - wpage.unina.itwpage.unina.it/alberto.finzi/didattica/SGRB/materiale/lezioneSGR-SLAM.pdf · 7 Perché SLAM è difficile? SLAM: posizione e mappa del robot](https://reader033.vdocuments.us/reader033/viewer/2022050718/5e1743ad0fce0b371956746c/html5/thumbnails/23.jpg)
(E) KF-SLAM• Posa: robot+ landmark
• Situazione Iniziale: Valore Medio e Covarianza
• Movimento:
23
![Page 24: Robotica Probabilistica - wpage.unina.itwpage.unina.it/alberto.finzi/didattica/SGRB/materiale/lezioneSGR-SLAM.pdf · 7 Perché SLAM è difficile? SLAM: posizione e mappa del robot](https://reader033.vdocuments.us/reader033/viewer/2022050718/5e1743ad0fce0b371956746c/html5/thumbnails/24.jpg)
(E)KF-SLAM
24
Movimento compatto:
Matrice con dim 3N + N
Introducendo il rumore:
Covarianza estesa
T
![Page 25: Robotica Probabilistica - wpage.unina.itwpage.unina.it/alberto.finzi/didattica/SGRB/materiale/lezioneSGR-SLAM.pdf · 7 Perché SLAM è difficile? SLAM: posizione e mappa del robot](https://reader033.vdocuments.us/reader033/viewer/2022050718/5e1743ad0fce0b371956746c/html5/thumbnails/25.jpg)
(E)KF-SLAM
25
Con Gt Jacobiano di g in ut
Applicando l’approssimazione di Taylor
Riduzione dello Jacobiano
![Page 26: Robotica Probabilistica - wpage.unina.itwpage.unina.it/alberto.finzi/didattica/SGRB/materiale/lezioneSGR-SLAM.pdf · 7 Perché SLAM è difficile? SLAM: posizione e mappa del robot](https://reader033.vdocuments.us/reader033/viewer/2022050718/5e1743ad0fce0b371956746c/html5/thumbnails/26.jpg)
26
(E)KF-SLAM
Update del Moto
Occorre l’update di misura
![Page 27: Robotica Probabilistica - wpage.unina.itwpage.unina.it/alberto.finzi/didattica/SGRB/materiale/lezioneSGR-SLAM.pdf · 7 Perché SLAM è difficile? SLAM: posizione e mappa del robot](https://reader033.vdocuments.us/reader033/viewer/2022050718/5e1743ad0fce0b371956746c/html5/thumbnails/27.jpg)
(E)KF-SLAM
• Dato il modello di misura
• Dove: x, y, theta posa del robot, i indice del landmark osservato al tempo t, j = ci,t landmark corrispondente
• Applicando l’approssimazione lineare
• Con Hi,t derivata su tutto lo spazio di stato, ma dipende solo dalla posa del robot e del landmark
27
![Page 28: Robotica Probabilistica - wpage.unina.itwpage.unina.it/alberto.finzi/didattica/SGRB/materiale/lezioneSGR-SLAM.pdf · 7 Perché SLAM è difficile? SLAM: posizione e mappa del robot](https://reader033.vdocuments.us/reader033/viewer/2022050718/5e1743ad0fce0b371956746c/html5/thumbnails/28.jpg)
(E)KF-SLAM
• Calcolo Jacobiano:
• Inizializzazione pos di landmark (in pos attesa)
28
Scalare:
Jacobiano in mu, rispetto ad xt ed mj
Matrice per rimappare sullo spazio:
![Page 29: Robotica Probabilistica - wpage.unina.itwpage.unina.it/alberto.finzi/didattica/SGRB/materiale/lezioneSGR-SLAM.pdf · 7 Perché SLAM è difficile? SLAM: posizione e mappa del robot](https://reader033.vdocuments.us/reader033/viewer/2022050718/5e1743ad0fce0b371956746c/html5/thumbnails/29.jpg)
29
(E)KF-SLAM
Calcolo misura attesa
Guadagno di Kalman
Matrice non sparsa
•Algoritmo: update di misura
Inizializza la posizione dei landmark
![Page 30: Robotica Probabilistica - wpage.unina.itwpage.unina.it/alberto.finzi/didattica/SGRB/materiale/lezioneSGR-SLAM.pdf · 7 Perché SLAM è difficile? SLAM: posizione e mappa del robot](https://reader033.vdocuments.us/reader033/viewer/2022050718/5e1743ad0fce0b371956746c/html5/thumbnails/30.jpg)
30
EKF-SLAM
Mappa Matrice di Correlazione: covarianza normalizzata
![Page 31: Robotica Probabilistica - wpage.unina.itwpage.unina.it/alberto.finzi/didattica/SGRB/materiale/lezioneSGR-SLAM.pdf · 7 Perché SLAM è difficile? SLAM: posizione e mappa del robot](https://reader033.vdocuments.us/reader033/viewer/2022050718/5e1743ad0fce0b371956746c/html5/thumbnails/31.jpg)
31
EKF-SLAM
Mappa Matrice di Correlazione
![Page 32: Robotica Probabilistica - wpage.unina.itwpage.unina.it/alberto.finzi/didattica/SGRB/materiale/lezioneSGR-SLAM.pdf · 7 Perché SLAM è difficile? SLAM: posizione e mappa del robot](https://reader033.vdocuments.us/reader033/viewer/2022050718/5e1743ad0fce0b371956746c/html5/thumbnails/32.jpg)
32
EKF-SLAM
Mappa Matrice di Correlazione
Dopo qualche iterazione la mappa è correlata
![Page 33: Robotica Probabilistica - wpage.unina.itwpage.unina.it/alberto.finzi/didattica/SGRB/materiale/lezioneSGR-SLAM.pdf · 7 Perché SLAM è difficile? SLAM: posizione e mappa del robot](https://reader033.vdocuments.us/reader033/viewer/2022050718/5e1743ad0fce0b371956746c/html5/thumbnails/33.jpg)
(E)KF-SLAM• Incertezza aumenta (a-c) su posa e landmark;
• Appena rivede un landmark già visto (d), riduce l’incertezza;
• Riduce l’incertezza ditutte le posizioni;
• Matrice di cov lega laposizione del robot e le altre posizioni.
33
![Page 34: Robotica Probabilistica - wpage.unina.itwpage.unina.it/alberto.finzi/didattica/SGRB/materiale/lezioneSGR-SLAM.pdf · 7 Perché SLAM è difficile? SLAM: posizione e mappa del robot](https://reader033.vdocuments.us/reader033/viewer/2022050718/5e1743ad0fce0b371956746c/html5/thumbnails/34.jpg)
34
Propertà del KF-SLAM (Caso Lineare)
Teorema:
Il determinanta di ogni sottomatrice della matrice di covarianza della mappa decresce monotonicamente per successive osservazioni.
Teorema:
Al limite la stima dei landmark diventa totalmente correlata.
[Dissanayake et al., 2001]
![Page 35: Robotica Probabilistica - wpage.unina.itwpage.unina.it/alberto.finzi/didattica/SGRB/materiale/lezioneSGR-SLAM.pdf · 7 Perché SLAM è difficile? SLAM: posizione e mappa del robot](https://reader033.vdocuments.us/reader033/viewer/2022050718/5e1743ad0fce0b371956746c/html5/thumbnails/35.jpg)
(E)KF-SLAM (corrispondenze non note)
• Se corrispondenze non note occorre uno stimatore incrementale ML (maximum likelihood) per stabilire tali corrispondenze
• L’algoritmo precedente può essere adattato
• Numero di landmark corrente Nt dimensione della mappa.
35
![Page 36: Robotica Probabilistica - wpage.unina.itwpage.unina.it/alberto.finzi/didattica/SGRB/materiale/lezioneSGR-SLAM.pdf · 7 Perché SLAM è difficile? SLAM: posizione e mappa del robot](https://reader033.vdocuments.us/reader033/viewer/2022050718/5e1743ad0fce0b371956746c/html5/thumbnails/36.jpg)
(E)KF-SLAM
• Update del moto è lo stesso
• Update misura diverso:
- Si ipotizza nuovo landmark e si inizializza
- Si effettuano update su tutti i landmark
- Si verifica la creazione di un nuovo landmark: se misura Mahalanobis da tutti i landmark dista più di una soglia
- Se nuovo landmark, la mappa viene estesa e si calcola nuovo valor medio e covarianza
36
![Page 37: Robotica Probabilistica - wpage.unina.itwpage.unina.it/alberto.finzi/didattica/SGRB/materiale/lezioneSGR-SLAM.pdf · 7 Perché SLAM è difficile? SLAM: posizione e mappa del robot](https://reader033.vdocuments.us/reader033/viewer/2022050718/5e1743ad0fce0b371956746c/html5/thumbnails/37.jpg)
EKF-SLAM• Corrispondenze non note
37
Ipotesi di nuovo landmark e inizializzazione
Aggiornamento landmark
![Page 38: Robotica Probabilistica - wpage.unina.itwpage.unina.it/alberto.finzi/didattica/SGRB/materiale/lezioneSGR-SLAM.pdf · 7 Perché SLAM è difficile? SLAM: posizione e mappa del robot](https://reader033.vdocuments.us/reader033/viewer/2022050718/5e1743ad0fce0b371956746c/html5/thumbnails/38.jpg)
EKF-SLAM• Corrispondenze non note
38
aggiornamento landmark concorrispondenza ML
Soglia per nuovo landmark
Eventuale incremento dim della matrice
Distanza Mahalanobis Misura di dissimilarità
![Page 39: Robotica Probabilistica - wpage.unina.itwpage.unina.it/alberto.finzi/didattica/SGRB/materiale/lezioneSGR-SLAM.pdf · 7 Perché SLAM è difficile? SLAM: posizione e mappa del robot](https://reader033.vdocuments.us/reader033/viewer/2022050718/5e1743ad0fce0b371956746c/html5/thumbnails/39.jpg)
Dominio Sottomarino
39
Oberon, Univ. Sydney
Pencil sonar, oggetti verticali come landmarks
EKF-SLAM per il percorso e le features
![Page 40: Robotica Probabilistica - wpage.unina.itwpage.unina.it/alberto.finzi/didattica/SGRB/materiale/lezioneSGR-SLAM.pdf · 7 Perché SLAM è difficile? SLAM: posizione e mappa del robot](https://reader033.vdocuments.us/reader033/viewer/2022050718/5e1743ad0fce0b371956746c/html5/thumbnails/40.jpg)
40
Victoria Park Data Set
[courtesy by E. Nebot]http://www-personal.acfr.usyd.edu.au/nebot/publications/slam/IJRR_slam.htm
![Page 41: Robotica Probabilistica - wpage.unina.itwpage.unina.it/alberto.finzi/didattica/SGRB/materiale/lezioneSGR-SLAM.pdf · 7 Perché SLAM è difficile? SLAM: posizione e mappa del robot](https://reader033.vdocuments.us/reader033/viewer/2022050718/5e1743ad0fce0b371956746c/html5/thumbnails/41.jpg)
41
Victoria Park Data Set Vehicle
[courtesy by E. Nebot]
Dati raccolti con una macchina: Laser RF, velocità, GPS
![Page 42: Robotica Probabilistica - wpage.unina.itwpage.unina.it/alberto.finzi/didattica/SGRB/materiale/lezioneSGR-SLAM.pdf · 7 Perché SLAM è difficile? SLAM: posizione e mappa del robot](https://reader033.vdocuments.us/reader033/viewer/2022050718/5e1743ad0fce0b371956746c/html5/thumbnails/42.jpg)
42
Acquisizione Dati
[courtesy by E. Nebot]
Landmark:tronchi alberi
![Page 43: Robotica Probabilistica - wpage.unina.itwpage.unina.it/alberto.finzi/didattica/SGRB/materiale/lezioneSGR-SLAM.pdf · 7 Perché SLAM è difficile? SLAM: posizione e mappa del robot](https://reader033.vdocuments.us/reader033/viewer/2022050718/5e1743ad0fce0b371956746c/html5/thumbnails/43.jpg)
Landmark
43
The circumference correspondent to the estimated Diameter and the centre of the object based on processing the Kalman Filter.
The blue dots correspond to the laser returns; the red circle is the position of the centre of the trunk evaluated by the filter
![Page 44: Robotica Probabilistica - wpage.unina.itwpage.unina.it/alberto.finzi/didattica/SGRB/materiale/lezioneSGR-SLAM.pdf · 7 Perché SLAM è difficile? SLAM: posizione e mappa del robot](https://reader033.vdocuments.us/reader033/viewer/2022050718/5e1743ad0fce0b371956746c/html5/thumbnails/44.jpg)
Raw Odometry (no SLAM)
Odometria
GPS (per riferimento)
![Page 45: Robotica Probabilistica - wpage.unina.itwpage.unina.it/alberto.finzi/didattica/SGRB/materiale/lezioneSGR-SLAM.pdf · 7 Perché SLAM è difficile? SLAM: posizione e mappa del robot](https://reader033.vdocuments.us/reader033/viewer/2022050718/5e1743ad0fce0b371956746c/html5/thumbnails/45.jpg)
Compressed Filter
45
Global and local map
Every time the vehicle moves to a new region, the active state group XA, changes to those states that belong to the new region r and its adjacent regions.
The active group always includes the vehicle states.
![Page 46: Robotica Probabilistica - wpage.unina.itwpage.unina.it/alberto.finzi/didattica/SGRB/materiale/lezioneSGR-SLAM.pdf · 7 Perché SLAM è difficile? SLAM: posizione e mappa del robot](https://reader033.vdocuments.us/reader033/viewer/2022050718/5e1743ad0fce0b371956746c/html5/thumbnails/46.jpg)
46
(E)KF-SLAM
[courtesy by E. Nebot]
![Page 47: Robotica Probabilistica - wpage.unina.itwpage.unina.it/alberto.finzi/didattica/SGRB/materiale/lezioneSGR-SLAM.pdf · 7 Perché SLAM è difficile? SLAM: posizione e mappa del robot](https://reader033.vdocuments.us/reader033/viewer/2022050718/5e1743ad0fce0b371956746c/html5/thumbnails/47.jpg)
47
Mappa e Traiettoria
Landmarks
Covariance
[courtesy by E. Nebot]
![Page 48: Robotica Probabilistica - wpage.unina.itwpage.unina.it/alberto.finzi/didattica/SGRB/materiale/lezioneSGR-SLAM.pdf · 7 Perché SLAM è difficile? SLAM: posizione e mappa del robot](https://reader033.vdocuments.us/reader033/viewer/2022050718/5e1743ad0fce0b371956746c/html5/thumbnails/48.jpg)
48
Landmark Covariance
[courtesy by E. Nebot]
![Page 49: Robotica Probabilistica - wpage.unina.itwpage.unina.it/alberto.finzi/didattica/SGRB/materiale/lezioneSGR-SLAM.pdf · 7 Perché SLAM è difficile? SLAM: posizione e mappa del robot](https://reader033.vdocuments.us/reader033/viewer/2022050718/5e1743ad0fce0b371956746c/html5/thumbnails/49.jpg)
49
Traiettoria Stimata
[courtesy by E. Nebot]
SLAM algorithm presented uses a compressed filter that reduce the standard SLAM computational requirement making possible the application of this algorithm in environments with more than 10000 landmarks.
![Page 50: Robotica Probabilistica - wpage.unina.itwpage.unina.it/alberto.finzi/didattica/SGRB/materiale/lezioneSGR-SLAM.pdf · 7 Perché SLAM è difficile? SLAM: posizione e mappa del robot](https://reader033.vdocuments.us/reader033/viewer/2022050718/5e1743ad0fce0b371956746c/html5/thumbnails/50.jpg)
Large-scale SLAM
• What is the problem?
• Many applications require persistent, long-term autonomy in large environments
• Why is it difficult?
• Linear Gaussian case:
• Computational complexity in maintaining the cross correlations
• Full covariance SLAM solution runs in
• General non-linear non-Gaussian case:
• “curse of dimensionality” (Bellman, 1960s)
![Page 51: Robotica Probabilistica - wpage.unina.itwpage.unina.it/alberto.finzi/didattica/SGRB/materiale/lezioneSGR-SLAM.pdf · 7 Perché SLAM è difficile? SLAM: posizione e mappa del robot](https://reader033.vdocuments.us/reader033/viewer/2022050718/5e1743ad0fce0b371956746c/html5/thumbnails/51.jpg)
SLAM and Covariance
Covariance Matrix in the Linear Gaussian SLAM solution
• Pros :
• Enables us to transfer information from one part of the environmentto the other parts
• Prevents overconfidence and divergence
• Cons :
• Increases computational complexity
Maintain IgnoreCross
correlations
Slow FastConsistent Inconsistent
![Page 52: Robotica Probabilistica - wpage.unina.itwpage.unina.it/alberto.finzi/didattica/SGRB/materiale/lezioneSGR-SLAM.pdf · 7 Perché SLAM è difficile? SLAM: posizione e mappa del robot](https://reader033.vdocuments.us/reader033/viewer/2022050718/5e1743ad0fce0b371956746c/html5/thumbnails/52.jpg)
53
EKF SLAM
[courtesy by John Leonard]
64 hurdles, 4 tennis courts
![Page 53: Robotica Probabilistica - wpage.unina.itwpage.unina.it/alberto.finzi/didattica/SGRB/materiale/lezioneSGR-SLAM.pdf · 7 Perché SLAM è difficile? SLAM: posizione e mappa del robot](https://reader033.vdocuments.us/reader033/viewer/2022050718/5e1743ad0fce0b371956746c/html5/thumbnails/53.jpg)
Large-scale SLAM
• Decoupled Stochastic Mapping
• Globally referenced multiple overlapping submaps
• Map transition techniques
• Cross-map relocation (no spatial convergence)
• Cross-map updating
• Performance
• Runs in
• Needs empirical test to verify the consistency
• Example
From “A Computationally Efficient Methods for A large-scale CML”
![Page 54: Robotica Probabilistica - wpage.unina.itwpage.unina.it/alberto.finzi/didattica/SGRB/materiale/lezioneSGR-SLAM.pdf · 7 Perché SLAM è difficile? SLAM: posizione e mappa del robot](https://reader033.vdocuments.us/reader033/viewer/2022050718/5e1743ad0fce0b371956746c/html5/thumbnails/54.jpg)
55
EKF SLAM Application
odometry estimated trajectory
[courtesy by John Leonard]
![Page 55: Robotica Probabilistica - wpage.unina.itwpage.unina.it/alberto.finzi/didattica/SGRB/materiale/lezioneSGR-SLAM.pdf · 7 Perché SLAM è difficile? SLAM: posizione e mappa del robot](https://reader033.vdocuments.us/reader033/viewer/2022050718/5e1743ad0fce0b371956746c/html5/thumbnails/55.jpg)
56
• Local submaps [Leonard et al.99, Bosse et al. 02, Newman et al. 03]
• Sparse links (correlations) [Lu & Milios 97, Guivant & Nebot 01]
• Sparse extended information filters [Frese et al. 01, Thrun et al. 02]
• Thin junction tree filters [Paskin 03]
• Rao-Blackwellisation (FastSLAM) [Murphy 99, Montemerlo et al. 02, Eliazar et al. 03, Haehnel et al. 03]
Approssimazioni per SLAM
![Page 56: Robotica Probabilistica - wpage.unina.itwpage.unina.it/alberto.finzi/didattica/SGRB/materiale/lezioneSGR-SLAM.pdf · 7 Perché SLAM è difficile? SLAM: posizione e mappa del robot](https://reader033.vdocuments.us/reader033/viewer/2022050718/5e1743ad0fce0b371956746c/html5/thumbnails/56.jpg)
57
Sub-maps for EKF SLAM
[Leonard et al, 1998]
![Page 57: Robotica Probabilistica - wpage.unina.itwpage.unina.it/alberto.finzi/didattica/SGRB/materiale/lezioneSGR-SLAM.pdf · 7 Perché SLAM è difficile? SLAM: posizione e mappa del robot](https://reader033.vdocuments.us/reader033/viewer/2022050718/5e1743ad0fce0b371956746c/html5/thumbnails/57.jpg)
EKF-SLAM: Complessità
•Costo per passo: O(n2), quadratica nel numero di landmarks: O(n2)
•Costo totale per costruire una mappa con n landmarks: O(n3)
•Memoria: O(n2)
Approcci permettono EKF-SLAM
O(n^1.5) / O(n2.5) / O(n)
![Page 58: Robotica Probabilistica - wpage.unina.itwpage.unina.it/alberto.finzi/didattica/SGRB/materiale/lezioneSGR-SLAM.pdf · 7 Perché SLAM è difficile? SLAM: posizione e mappa del robot](https://reader033.vdocuments.us/reader033/viewer/2022050718/5e1743ad0fce0b371956746c/html5/thumbnails/58.jpg)
59
EKF-SLAM Sommario
•Quadratica nel numero dei landmarks: O(n2)
•Rsultato di convergenza nel caso lineare.
• Può divergere per grosse nonlinearità!
•Applicata con successo in ambienti di grandi dimensioni.
•Approssimazione riduce la complessità computazionale.