Contributions to robotic underwater perception and mapping based navigation

En los últimos años, uno de los desafíos fundamentales de la investigación en robótica es obtener mecanismos robustos y eficientes para modelar entornos cada vez más complejos, utilizando robots móviles para su exploración. Hoy en día, los vehículos submarinos se usan cada vez más en entornos complicados y rígidos, como océanos, puertos o represas, como el uso de los sonar de barrido lateral (SSS) de los vehículos submarinos autónomos (AUV) para crear imágenes del lecho marino. Y el mapeo robótico subacuático ha sido un área de investigación activa en la comunidad de investigación robótica. La localización y el mapeo son las habilidades fundamentales para que los robots subacuáticos realicen tareas de exploración y búsqueda de forma autónoma. La localización y el mapeo autónomos requieren que un vehículo comience en un lugar desconocido en un entorno desconocido y luego construya incrementalmente un mapa de los puntos de referencia presentes en esta área al mismo tiempo que utiliza este mapa para calcular la posición absoluta del vehículo. El problema de resolver tanto la creación de mapas como la localización de robots se aborda mediante localización y asignación simultáneas (SLAM). El objetivo principal de esta tesis es extraer las características con la detección de sonido y rango (SONAR) de detección para la navegación SLAM basada en hitos subacuático robótica adicional. Primero, se presenta una descripción detallada de las soluciones actualmente utilizadas y populares para el problema de SLAM submarino y se comparan características tales como precisión, robustez, complejidad computacional, etc. Además, se comparan diferentes tipos de representaciones de mapas de uso común con respecto a su idoneidad para el mapeo a priori, en particular con respecto a la navegación basada en SLAM subacuático a gran escala, que son requisitos de cómputo, fiabilidad, solidez, etc. En nuestro caso, tenga en cuenta la distribución espacial dispersa de las características marinas, por lo que el mapa de referencia se elige para representar la región submarina que se explorará. De acuerdo con las características de las imágenes del sonar, proponemos un Método de Segmentación de Umbral Otsu (TSM) mejorado para la detección rápida y precisa de objetos submarinos de varias formas características, incluyendo un naufragio, una rama y un maniquí de plástico en esta tesis. Para todas las imágenes SSS y Forward Looking Sonar (FLS) de diferentes resoluciones y cualidades presentadas en esta tesis, los resultados de la simulación muestran que el tiempo de cálculo de nuestro TSM de Otsu mejorado es mucho menor que la TSM de entropía máxima, lo que permite precisión de segmentación que otros tres TSM clásicos, incluido el método tradicional de Otsu, el TSM local y el TSM iterativo. Los resultados experimentales justifican que la TSM mejorada de Otsu mantenga la información más completa y los detalles de los objetos de interés después de la segmentación, también el efecto del ruido, los agujeros y las brechas en los objetos en primer plano se reducen en gran medida. Además, se presenta el método de análisis de regresión exponencial mezclado (MIRA) para manejar el decaimiento del eco en las imágenes del sonar. Nuestro modelo MIRA se compara con el modelo Dark Channel Prior (DCP), que es una adaptación a la bien conocida técnica de eliminación de niebla para imágenes sonar, en términos de un ping, similitud local y análisis de calidad global entre un hito y su 180° - contraparte girada. Los resultados de la simulación demuestran que el enfoque MIRA propuesto tiene mejores resultados de normalización. Además, se resumen y comparan los métodos avanzados de comparación de características subacuáticas, que incluyen el clásico Harris, Funciones rápidas y rápidas (SURF), Puntos clave escalables invariables binarios (BRISK), Transformación de característica invariable de escala (SIFT) y detector de característica de transformación de característica invariable de escala afín (ASIFT). Considere su idoneidad para la fusión de mapas de sonar submarinos, en términos de requisitos computacionales, confiabilidad, precisión, etc. Proponemos emplear la red de sensores inalámbricos subacuáticos (UWSN) en la tarea de fusión de mapas de sonar y presentar Triangulación de Delaunay basada en UWSN (UWSN). DT) Algoritmo para mejorar el rendimiento de la precisión de fusión del mapa de sonar con bajos costos computacionales. Los resultados experimentales justifican que el enfoque UWSN-DT funcione de manera eficiente y sólida, especialmente para los entornos submarinos donde los puntos caracter í sticos distinguibles son pocos y difíciles de detectar. Lo que es más importante, como resultado de las segmentaciones, los centroides de las principales regiones extraídas se calculan para representar puntos de referencia que pueden usarse para la navegación, por ejemplo, con la ayuda de nuestro recién propuesto filtro de Kalman ampliado aumentado (AEKF) basado en robótica submarina Algoritmo SLAM, que almacena la posición del robot y los puntos de referencia del mapa en un único vector de estado del sistema, y estima los parámetros de estado mediante un proceso iterativo de actualización de estimación que, además de una predicción, una etapa de actualización (así como en el clásico Extended Kalman Filter), incluye una nueva etapa de aumento propuesta. Se realizan varios experimentos simulados de MATLAB para nuestro algoritmo de navegación basado en AEKFSLAM propuesto y FastSLAM 2.0 clásico para mapeo de mallas densas y mapeo de líneas, donde los hitos ambientales incluyen no solo los centroides calculados del naufragio, la rama y el maniquí de plástico, sino también centroides de ciertas partes del fondo detectadas por la propuesta Otsu TSM mejorada en la Sección 3. Los resultados de simulación demuestran que tanto para el mapeo de bucle denso como para el mapeo de líneas, nuestro enfoque de navegación robótica basada en AEKF-SLAM tiene los mejores resultados de localización y precisión de mapeo costos computacionales relativamente bajos. El AEKF logra estimaciones más precisas y robustas de la postura del robot y las posiciones históricas a causa de las posiciones históricas detectadas por nuestro TSM de Otsu mejorado, que aquellas derivadas por la TSM de máxima entropía. En total, nuestro algoritmo de SLAM robótico subacuático basado en AEKF logra una detección confiable de ciclos en el mapa y una actualización de mapas consistente en el cierre de bucle. ----------ABSTRACT---------- In recent years, one of the fundamental challenges of the research on robotics is to obtain robust and efficient mechanisms for modelling increasingly complex environments, using mobile robots for their exploration. Nowadays, underwater vehicles are increasingly being used in complicated and rigid environments like oceans, harbors or at dams, such as using the onboard Side Scan Sonars (SSSs) of the Autonomous Underwater Vehicles (AUVs) to image the seabed. And underwater robotic mapping has been an active research area in robotic research community. Localization and mapping are the fundamental abilities for underwater robots to carry out exploration and searching tasks autonomously. Autonomous localization and mapping requires a vehicle to start at an unknown location in an unknown environment and then to incrementally build a map of landmarks present in this area while simultaneously using this map to compute absolute vehicle position. The problem of solving both map building and robot localization is addressed by Simultaneous Localization and Mapping (SLAM). The main focus of this thesis is on extracting features with Sound Navigation And Ranging (SONAR) sensing for further robotic underwater landmark-based SLAM navigation. First and foremost, a detailed overview of currently used and popular solutions for the underwater SLAM problem is presented and characteristics like accuracy, robustness, computational complexity, etc. are compared. Besides, different types of commonly used map representations are compared regarding their suitability for a priori map localization, in particular with regard to large-scale underwater SLAM based navigation, which are computational requirements, reliability, robustness, etc. In our case, consider the sparse spatial distribution of the marine features, thus the landmark map is chosen to represent the underwater region to be explored. According to the characteristics of sonar images, we propose an improved Otsu Threshold Segmentation Method (TSM) for fast and accurate detecting underwater objects of various feature shapes, including a shipwreck, a branch and a plastic mannequin in this thesis. For all the SSS and Forward Looking Sonar (FLS) images of different resolutions and qualities presented in this thesis, simulation results show that the computational time of our improved Otsu TSM is much lower than that of the maximum entropy TSM, which achieves the highest segmentation precision than other three classic TSMs including the traditional Otsu method, the local TSM and the iterative TSM. Experimental results justify that the improved Otsu TSM maintain more complete information and details of the objects of interests after segmentation, also the effect of noise, the holes and gaps in the foreground objects are greatly reduced. Furthermore, the MIxed exponential Regression Analysis (MIRA) method is presented for handling the echo decay in sonar images. Our MIRA model is compared with the Dark Channel Prior (DCP) model, which is an adaption to well-known fog removal technique to sonar imaging, in terms of one ping, local similarity and global quality analysis between a landmark and its 180° - rotated counterpart. Simulation results prove that the proposed MIRA approach has superior normalization performances. In addition, a detailed state of the art underwater feature matching methods are summarized and compared, including the classic Harris, Speeded Up Robust Features (SURF), Binary Robust Invariant Scalable Keypoints (BRISK), Scale Invariant Feature Transform (ASIFT) feature detector. Consider their suitability for subsea sonar map fusion, in terms of computational requirements, reliability, accuracy, etc. We propose to employ the underwater wireless sensor network (UWSN) into the sonar map fusion task, and present UWSN-based Delaunay Triangulation (UWSN-DT) algorithm for enhancing the performances of sonar map fusion accuracy with low computational costs. Experimental results justify that the UWSN-DT approach works efficiently and robustly, especially for the subsea environments where distinguishable feature points are few and difficult to be detected. Most importantly, as a result of the segmentations, the centroids of the main extracted regions are computed to represent point landmarks which can be used for navigation, e.g., with the help of our newly proposed Augmented Extended Kalman Filter (AEKF)-based robotic underwater SLAM algorithm, which stores the robot pose and the map landmarks in a single system state vector, and estimates the state parameters by using a iterative, estimation-update process, which besides a prediction, an update stage (as well as in the classic Extended Kalman Filter), includes a newly proposed augmentation stage. Several MATLAB simulated experiments are carried out for both our proposed AEKF-SLAM based navigation algorithm and classic FastSLAM 2.0 for dense loop mapping and line mapping, where environmental landmarks include not only the calculated centroids of the shipwreck, branch and plastic mannequin, but also those centroids of certain parts of the background detected by the proposed improved Otsu TSM in Section 3. Simulation results prove that for both dense loop mapping and line mapping experiments, our AEKF-SLAM based robotic navigation approach has the best performances of localization and mapping accuracy with relatively low computational costs. The AEKF achieves more precise and robust estimations of the robot pose and the landmark positions on account of the landmark positions detected by our improved Otsu TSM, than those derived by the maximum entropy TSM. In all, our presented AEKF-based robotic underwater SLAM algorithm achieves reliable detection of cycles in the map and consistent map update on loop closure