Combining dense short range sensors and sparse long range sensors for mapping

Mapping is one of the main components of autonomous robots, and consist in the construction of a model of their environment based on the information gathered by different sensors over time. Those maps will have different attributes depending on the type of sensor used for the reconstruction. In this thesis we focus on RGBD cameras and LiDARs. The acquired data with cameras is dense, but the range is short and the construction of large scale and consistent maps is more challenging. LiDARs are the exact opposite, they give sparse data but can measure long ranges accurately and therefore support large scale mapping better. The thesis presents a method that uses both types of sensors with the purpose of combine their strengths and reduce their weaknesses. The evaluation of the system is done in an indoor environment, and with an autonomous robot. The result of the thesis shows a map that is robust in large environments and has dense information of the surroundings.Kartläggning är en av huvudkomponenterna för autonoma robotar, och består av att bygga en modell av miljön utifrån informationen som samlats in av olika sensorer över tid. Dessa kartor kommer att ha olika attribut beroende på vilken typ av sensor som används för rekonstruktionen. I denna avhandling är fokus på RGBD-kameror och LiDARs. Datan från kameror är kompakt men kan bara mäta korta sträckor och det är utmanande att konstruera storskaliga och konsistenta kartor. LiDARs är exakt motsatta, de ger gles data men kan mäta långa avstånd noggrant och stödjer därför storskalig kartering bättre. Avhandlingen presenterar en metod som använder båda typerna av sensorer i syfte att kombinera deras styrkor och minska svagheterna. Utvärderingen av systemet sker i en inomhusmiljö och med en autonom robot. Resultatet av avhandlingen visar en karta som är robust i stora miljöer och har tät information om omgivningen