SmokeNav - simultaneous localization and mapping in reduced visibility scenarios

Abstract

Simultaneous Localization and Mapping (SLAM) is one of the most widely researched topics in Robotics. It addresses building and maintaining maps within unknown environments, while the robot keeps the information about its location. It is a basic requirement for autonomous mobile robotic navigation in many scenarios, including military applications, search and rescue, environmental monitoring, etc. Although SLAM techniques have evolved considerably in the last years, there are many situations which are not easily handled, such as the case of smoky environments where commonly used range sensors for SLAM, like Laser Range Finders (LRF) and cameras, are highly disturbed by noise induced in the measurement process by particles of smoke. There is an evident lack of solutions to this issue in the literature. This work focuses on SLAM techniques for reduced visibility scenarios. The main objective of this work is to develop and validate a SLAM technique for those scenarios, using dissimilar range sensors and by evaluating their behavior in such conditions. To that end, a study of several laser-based 2D SLAM techniques available in Robot Operating System (ROS) is firstly conducted. All the tested approaches are evaluated and compared in 2D simulations as well as real world experiments using a mobile robot. Such analysis is fundamental to decide which technique to adopt according to the final application of the work. The developed technique uses the complementary characteristics between a LRF and an array of sonars in order to successfully map the aforementioned environments. In order to validate the developed technique , several experimental tests were conducted using a real scenario. It was verified that this approach is adequate to decrease the impact of smoke particles in the mapping task. However, due to hardware limitations, the resulting map is comprehensibly not outstanding, but much better than using a single range sensor modality. This work is part of the Cooperation between Human and rObotic teams in catastroPhic INcidents (CHOPIN) R&D project, which intends to develop a support system for small scale SaR missions in urban catastrophic scenarios by exploiting the human-robot symbiosis.

Localização e mapeamento simultâneo, também conhecido por SLAM (Simultaneous Localization and Mapping), é uma das áreas mais investigadas em Robótica. Aborda o problema da construção e actualização de mapas em ambientes desconhecidos, enquanto o robô mantém a informação relativa à sua posição. SLAM é um requisito básico para robôs móveis autónomos nas mais variadas situações, que podem ir desde aplicações militares, busca e salvamento, exploração subaquática ou até monitorização ambiental. Apesar das técnicas de SLAM terem evoluído consideravelmente nos últimos anos, existem inúmeras situações em que os resultados ficam aquém do esperado, como no caso de ambientes com fumo, onde os sensores de distância geralmente usados, tais como Laser Range Finders (LRFs) ou câmeras, falham. Estes sensores são fortemente afectados pelas partículas de fumo durante o processo de aquisição de dados. Analisando a literatura, torna-se evidente que existem poucas abordagens para este problema. Este trabalho foca-se em técnicas de SLAM para cenários de visibilidade reduzida. O grande objectivo é desenvolver e validar uma técnica de SLAM para este tipo de cenários usando sensores de distância complementares. Para tal, começa-se por apresentar um estudo de diversos algoritmos de SLAM 2D para o Robot Operating System (ROS). Todas estas técnicas são avaliadas e comparadas através de simulações 2D e experiências reais usando um robô móvel. Esta análise é fundamental para decidir qual a técnica que servirá de base de acordo com a aplicação pretendida. A técnica desenvolvida faz uso das características complementares do laser e dos sensores de ultrassons (i.e., sonares), de modo a que seja possível fazer mapeamento em condições de visibilidade reduzida. A sua validação é feita atráves de várias experiências num cenário real. Os resultados mostram que através desta abordagem é possível diminuir o impacto do ruído provocado pelas partículas de fumo nos sensores e realizar a tarefa de mapeamento com sucesso. No entanto, a qualidade dos mapas gerados fica compreensivamente aquém do que se possa esperar devido a limitações do hardware.