Localization and mapping using the Pioneer: a ROS approach

Abstract

Robotic mapping consists of the acquisition of a spatial model of the environment in which the robot is located. In order for the robot to build the spatial model, it must first be able to characterize the space around it. This action can be performed using a diverse set of equipment / sensors, including cameras; Distance sensors such as sonars, laser, infrared, radar; Tactile sensors, compasses and GPS. However, all sensors are subject to measurement errors and physical limitations. These limitations, such as the fact that light does not cross walls and other occlusions, makes it necessary to navigate the environment during the construction of the map. Navigation is also subject to errors, making the mapping and localization process based on actuator controls and/or displacement measurement unreliable. In order for robots of the future to be framed in human environments, allowing human substitution or interaction between both, robots need to be able to make decisions on their own. In the case of mapping and location, the decisions can be about the path the robot must take to reach its destination, or how to improve the map of the environment, i.e. explore unexplored parts. For robots to make decisions, they must first understand the environment in which they find themselves. This is true in environments that are dangerous to humans, such as places after natural disasters, the environment in other celestial bodies such as Mars or the Moon, or simply in private housing or public places. This dissertation aims to provide a simulated and real PIONEER 3DX robot with the ability to construct maps of the surrounding environment and to locate in the same environment using the Robotic Operating System (ROS) platform. In order to achieve this global objective, several intermediate steps will be necessary. First, the mapping will be looked at and then the location. For these two subjects, a research on the simultaneous localization and mapping (SLAM), in the state of the art, will be made, followed by the selection of algorithms that implement SLAM in the ROS environment, for implementation. Then the test environments will be developed and the experiences necessary to validate the implemented methods will be delineated. Performance metrics will also be defined for comparing the various methods, in an objective way. The results demonstrate that utilizing wheel odometry, in conjunction with scan-matching, provides the best results overall, in most situations. However, in certain environments, having only scan-matching can be more beneficial. Further, results demonstrated that no algorithm is the best in every scenario tested; and that computational resources can be a limiting factor, when choosing a SLAM solution.

O mapeamento robótico consiste na aquisição de um modelo espacial do ambiente no qual o robô está localizado. Para que o robô construa o modelo espacial, ele deve primeiro ser capaz de caracterizar o espaço ao seu redor. Esta ação pode ser executada usando um conjunto diversificado de equipamentos/sensores, incluindo câmaras; sensores de distância, como sonares, laser, infravermelho, radar; sensores táteis, bússolas e GPS. No entanto, todos os sensores estão sujeitos a erros de medição e limitações físicas. Essas limitações, como o facto de a luz não atravessar paredes e outras oclusões, torna necessário navegar pelo ambiente durante a construção do mapa. A navegação também está sujeita a erros, tornando o processo de mapeamento e localização baseado em controlos do atuador e/ou medição de deslocamento não confiáveis. Para que os robôs do futuro sejam enquadrados em ambientes, juntamente com humanos, permitindo a substituição humana ou a interação entre ambos, os robôs precisam ser capazes de tomar decisões por conta própria. No caso de mapeamento e localização, as decisões podem ser sobre o caminho que o robô deve seguir para chegar ao seu destino, ou como melhorar o mapa do ambiente, ou seja, explorar as partes desconhecidas. De modo a que os robôs possam tomar decisões, primeiro eles precisam entender o ambiente em que se encontram. Isto é verdade em ambientes perigosos para humanos, como locais após desastres naturais, ambientes noutros corpos celestes, como Marte ou a Lua, ou simplesmente em habitações privadas ou locais públicos. Esta dissertação tem como objetivo dar a um robô 3D PIONEER simulado e real, a capacidade de construir mapas do ambiente circundante e localizar-se no mesmo ambiente usando a plataforma Robotic Operating System (ROS). Para alcançar este objetivo global, vários passos intermediários serão necessários. Primeiro, o mapeamento será analisado e, em seguida, a localização. Para estes dois assuntos, será feito um estado da arte sobre localização e mapeamento em simultâneo (SLAM), seguida de uma seleção de algoritmos que implementam o SLAM no ambiente ROS e consequente implementação em simulação e no real. Em seguida, os ambientes de teste serão desenvolvidos e as experiências necessárias para validar os métodos implementados serão delineadas. Métricas de desempenho também serão definidas para comparar os vários métodos, de forma objetiva. Finalmente serão efetuados os testes. Os resultados demonstram que a utilização da odometria pelas rodas, em conjunto com scan-matching, resulta nos melhores resultados gerais, na maioria das situações. No entanto, em determinados ambientes, ter apenas scan-matching pode ser mais benéfico. Além disso, os resultados demonstraram que nenhum algoritmo é o melhor em todos os cenários testados; e que os recursos computacionais podem ser um fator limitante, na escolha de uma solução SLAM.