Ítem


Simultaneous localization and mapping using single cluster probability hypothesis density filters

The majority of research in feature-based SLAM builds on the legacy of foundational work using the EKF, a single-object estimation technique. Because feature-based SLAM is an inherently multi-object problem, this has led to a number of suboptimalities in popular solutions. We develop an algorithm using the SC-PHD filter, a multi-object estimator modeled on cluster processes. This algorithm hosts capabilities not typically seen with feature-base SLAM solutions such as principled handling of clutter measurements and missed detections, and navigation with a mixture of stationary and moving landmarks. We present experiments with the SC-PHD SLAM algorithm on both synthetic and real datasets using an autonomous underwater vehicle. We compare our method to the RB-PHD SLAM, showing that it requires fewer approximations in its derivation and thus achieves superior performance.

En aquesta tesis es desenvolupa aquest algoritme a partir d’un filtre PHD amb un únic grup (SC-PHD), una tècnica d’estimació multi-objecte basat en processos d’agrupació. Aquest algoritme té unes capacitats que normalment no es veuen en els algoritmes de SLAM basats en característiques, ja que és capaç de tractar falses característiques, així com característiques no detectades pels sensors del vehicle, a més de navegar en un entorn amb la presència de característiques estàtiques i característiques en moviment de forma simultània. Es presenten els resultats experimentals de l’algoritme SC-PHD en entorns reals i simulats utilitzant un vehicle autònom submarí. Els resultats són comparats amb l’algoritme de SLAM Rao-Blackwellized PHD (RB-PHD), demostrant que es requereixen menys aproximacions en la seva derivació i en conseqüència s’obté un rendiment superior.

Universitat de Girona

Director: Salvi, Joaquim
Clark, Daniel
Institut de Recerca en Visió per Computador i Robòtica
Altres contribucions: Universitat de Girona. Arquitectura i Tecnologia de Computadors
Autor: Lee, Chee Sing
Resum: The majority of research in feature-based SLAM builds on the legacy of foundational work using the EKF, a single-object estimation technique. Because feature-based SLAM is an inherently multi-object problem, this has led to a number of suboptimalities in popular solutions. We develop an algorithm using the SC-PHD filter, a multi-object estimator modeled on cluster processes. This algorithm hosts capabilities not typically seen with feature-base SLAM solutions such as principled handling of clutter measurements and missed detections, and navigation with a mixture of stationary and moving landmarks. We present experiments with the SC-PHD SLAM algorithm on both synthetic and real datasets using an autonomous underwater vehicle. We compare our method to the RB-PHD SLAM, showing that it requires fewer approximations in its derivation and thus achieves superior performance.
En aquesta tesis es desenvolupa aquest algoritme a partir d’un filtre PHD amb un únic grup (SC-PHD), una tècnica d’estimació multi-objecte basat en processos d’agrupació. Aquest algoritme té unes capacitats que normalment no es veuen en els algoritmes de SLAM basats en característiques, ja que és capaç de tractar falses característiques, així com característiques no detectades pels sensors del vehicle, a més de navegar en un entorn amb la presència de característiques estàtiques i característiques en moviment de forma simultània. Es presenten els resultats experimentals de l’algoritme SC-PHD en entorns reals i simulats utilitzant un vehicle autònom submarí. Els resultats són comparats amb l’algoritme de SLAM Rao-Blackwellized PHD (RB-PHD), demostrant que es requereixen menys aproximacions en la seva derivació i en conseqüència s’obté un rendiment superior.
Accés al document: http://hdl.handle.net/2072/296923
Llenguatge: eng
Editor: Universitat de Girona
URI Drets: http://creativecommons.org/licenses/by/3.0/es/
Matèria: Tesis i dissertacions acadèmiques
Vehicles autònoms
Autonomous vehicles
Vehículos autónomos
Vehículos sumergibles
Vehicles submergibles
Submersibles
Vehicles autònoms submarins
Vehículos autónomos submarinos
Underwater autonomous vehicles
Localització i construcció de mapes de forma simultània
SLAM
Simultaneous localization and mapping
Localización y mapeo simultáneo
Estimació multi-objecte
Multi-object estimation
Estimación multi-objeto
Probability hypothesis density filters
Finite set statistics
62 - Enginyeria. Tecnologia
68 - Indústries, oficis i comerç d’articles acabats. Tecnologia cibernètica i automàtica
Títol: Simultaneous localization and mapping using single cluster probability hypothesis density filters
Tipus: info:eu-repo/semantics/doctoralThesis
Repositori: Recercat

Matèries

Autors