MRSLAM : multi-robot simultaneous localization and mapping

Abstract

Nowadays, a collection of two or more autonomous mobile agents working together are denoted as teams or simply societies of mobile robots. In Multi-Robot Systems (MRS) robots are allowed to coordinate with each other in order to achieve a speci c goal. In these systems, robots are far less capable as an entity, but the real power lies in the cooperation of the team. The simplicity of MRS has produced a wide set of applications such as in military tasks , searching for survivors in disaster hit areas, parallel and simultaneous transportations of vehicles and delivery of payloads. The success of single-robot Simultaneous Localization and Mapping (SLAM) in the past two decades has led to research on Multi-Robot Simultaneous Localization and Mapping (MRSLAM). A team of robots is able to map an unknown environment faster and more and reliably. However, MRSLAM raises several challenging problems, including map fusion, unknown robot poses and scalability issues. Rao-Blackwellized Particle Filters (RBPFs) have been demonstrated as an e ective solution to the problem of single robot Simultaneous Localization and Mapping (SLAM), and a few extensions to teams of robots exist. However, these approaches are usually characterized by strict assumptions on both communication bandwidth and prior knowledge on relative poses between teammates. In this dissertation, we describe in detail a distributed MRSLAM approach using RBPF in the case of possibly constrained communication and unknown relative initial poses using Robot Operating System (ROS). We consider the environment as a two dimensional space with several obstacles, which are explored by a team of cooperative mobile robots, equipped with laser sensors. In order to e ciently tackle the problem, the cooperation between agents and the memory space available for observations storage must be taken into account. Experimental results using a team of up to two robots in a large indoor area show the robustness and performance of the approach.

Hoje em dia, um conjunto de dois ou mais agentes móveis autônomos que trabalham em cooperação são designados de equipas de robôs ou simplesmente de sociedades de robôs móveis. Em Sistemas Multi-robô (MRS), os robôs devem coordenar uns com os outros de modo a alcançar um objetivo especí fico. Nestes sistemas, os robôs são individualmente menos capazes, sendo que o seu verdadeiro poder reside na cooperação em equipa. A simplicidade de MRS gerou um potencial de aplicação em várias áreas, tais como, tarefas militares, missões de busca e salvamento em situações de desastres naturais, transportes paralelos e simultâneos de veículos, assim como em distribuição de cargas. O sucesso da tarefa de Localização e Mapeamento Simultâneos (SLAM) com um único robô nas últimas duas décadas tem levado a imensas pesquisas sobre Localização e Mapeamento Simultâneos com Múltiplos Robôs (MRSLAM). A equipa de robôs pode explorar um ambiente de forma mais e ciente e robusta. No entanto, MRSLAM levanta também muitos problemas desafi adores, incluindo fusão de mapas, robôs com pose desconhecida e problemas de escalabilidade. Filtro de partículas Rao-Blackwell(RBPF) têm demonstrado ser uma solução e ficaz para o problema de SLAM com um único robô existindo algumas extensões para equipas de robôs. No entanto, estas abordagens são normalmente caracterizadas por severas restrições na largura de banda de comunicação e conhecimento prévio da pose relativa entre agentes robóticos. Nesta dissertação, descrevemos em detalhes uma abordagem distribuída para MRSLAM utilizando RBPF considerando situações de comunicação com largura de banda limitada e pose inicial relativa desconhecida usando ROS. Consideramos o meio ambiente como um espa ço bidimensional com vários obstáculos, que é explorado cooperativamente por uma equipa de robôs móveis equipados com sensores laser. De modo a enfrentar o problema de forma efi caz, a cooperação entre os agentes e o espaço de memória disponíveis para armazenamento de observações devem ser levados em conta. Os resultados experimentais, utilizando uma equipa até dois robôs num espaço vasto em ambiente indoor demonstram a robustez assim como o desempenho da abordagem apresentada.