Selective submap joining SLAM for autonomous vehicles

Abstract

Simultaneous Localization and Mapping (SLAM) do not result in consistent maps of large areas because of gradual increase of the uncertainty for long term missions. In addition, as the size of the map grows the computational cost increases, making SLAM solutions unsuitable for on-line applications. This thesis surveys SLAM approaches paying special attention to those approaches aimed to work on large scenarios. Special focus is given to existing underwater SLAM applications. A technique based on using independent local maps together with a global stochastic map is presented. This technique is called Selective Submap Joining SLAM (SSJS). A global map contains relative transformations between local maps, which are updated once a new loop is detected. Maps sharing several features are fused, maintaining the correlation between landmarks and vehicle's pose. The use of local maps reduces computational costs and improves map consistency as compared to state of the art techniques.

Els algoritmes de localització i creació de mapes simultàniament (Simultaneous Localization and Mapping - SLAM) no produeixen mapes correctes de grans àrees a causa de l'augment gradual de la incertesa en les missions de llarga durada. El cost de computació augmenta a mesura que el mapa creix. Aquesta tesi presenta un estudi de les tècniques de SLAM en entorns grans. També s'estudien aquells treballs centrats en ambients submarins. Es proposa una nova tècnica basada en l'ús de submapes independents i un mapa estocàstic global. Aquesta tècnica s'ha anomenat Unió Selectiva de Submapes en SLAM (SSJS). El mapa global conté les transformacions relatives entre mapes, que s'actualitzen en revisitar zones conegudes. Així doncs, els submapes que comparteixen informació es fusionen, mantenint les correlacions entre el vehicle i les fites. L'ús de submapes redueix el cost de càlcul i millora la consistència del mapa en comparació a les tècniques existents.