Dažādu režīmu SLAM grūtās āra vidēs

Abstract

SLAM (Simultaneous localization and mapping) ir kompleksa mobilo robotu nezināmas apkārtējās vides kartēšanas un lokalizācijas sistēma. SLAM problēmas risinājumi iekļauj dažādu sensoru apvienošanu un komplicētu datorredzes algoritmu integrāciju. Maģistra darba mērķis ir esošas SLAM sistēmas - ORB SLAM 3 - uzlabošana ar GNSS datu integrāciju. Teorētiskajā daļā vispirms tiek aplūkoti SLAM izpildes veidi. Tālāk fokuss tiek likts uz detalizētu aprakstu par būtiskākajiem iezīmju balstīta SLAM sistēmas procesiem, kur vesela atsevišķa galvenā nodaļa tiek veltīta grafa optimizācijas teorijas apskatam. Praktiskajā daļā tiek nodemonstrēti soļi, lai praktiski pielietotu ORB SLAM 3 . Tai skaitā aprakstīta sistēmas kompilēšanas, kameras un IMU kalibrācijas procesa specifika. Balstoties uz teorētiskajā daļā aprakstīto par grafa optimizāciju, izvēlētajā SLAM sistēmā tiek integrēti GNSS dati tekošās atrašanās vietas lokalizācijas noteikšanas precizitātes uzlabošanai. Rezultātu nodaļa aprakstītas piedāvātās papildus modifikācijas, kuras sekmēja veiksmīgu GNSS datu integrāciju. No vairākiem datu reģistrēšanas mēģinājumiem, tiek vizualizētas puskilometru garas trajektorijas, kur viena parāda 31 metra kļūdu no precīzi nomērītas orientiera pozīcijas neoptimizētās vizuālās odometrijas trajektorijas galā, kamēr otra parāda šīs pašas trajektorijas novērtējumu, optimizētu ar GNSS datiem, bet ar 5m kļūdu no pēdējā orientiera. Darbs izstrādāts Elektronikas un Datorzinātnes institūta Robotikas un Mašīnuztveres laboratorijā, saistībā ar projektu RoLISe (GA Nr. VPP-EM-FOTONIKA-2022/1-0001, WP4 “ROBOTICS/IoT). Ar darbu daļēji saistīta viena publikācija, kura darba autors ir pirmais autors.

SLAM (Simultaneous localization and mapping) is a complex system for mapping and localization in an unknown environment for robots. Solutions for the SLAM problem involve the fusion of multiple sensors and the integration of complicated computer vision algorithms. The goal of this Master's thesis is the improvement of an existing SLAM system - ORB SLAM 3 - with integration of GNSS data. In the theoretical part, at first a pair of SLAM execution methods are discussed. Then, the focus is put on a detailed description of the most important feature-based SLAM system processes, where a whole separate main chapter is devoted to graph optimization theory. The practical part demonstrates the steps to practically use ORB SLAM 3. Additionally, it describes the specifics of the system compilation, camera and IMU calibration process. Based on the graph optimization described in the theoretical part, GNSS data are integrated into the system to improve the precision of localization. The Results section describes suggested additional modifications that led to the successful integration of GNSS data. From several data logging attempts, half-kilometer-long trajectories are visualized, where one shows a 31 meter error from the precisely measured landmark at the end of an unoptimized visual odometry trajectory, while the other shows an estimate of the same trajectory corrected with GNSS data, but with a 5 meter error from the same landmark. The work was developed in the Laboratory of Robotics and Machine Learning of the Institute of Electronics and Computer Science, in connection with the RoLISe project (GA No. VPP-EM-FOTONIKA-2022/1-0001, WP4 “ROBOTICS/IoT). One publication is partially related to the paper, the author of which is the first author.