LiDAR-based Indoor Self Localization and Mapping

Tato práce seznamuje s problémem sebelokalizace a mapování (SLAM) se zaměřením na použití snímače 3D LiDAR. Nejprve je proveden úvod od samotného SLAMu a vysvětlen SLAM založený na grafu a reprezentace mapy pomocí dense SLAM. Popsány jsou dva nejběžnější algoritmy pro porovnání mračen bodů ICP a NDT. Po popsání teorie SLAMu je provedena rešerše existujících projektů řešící tento problém. Popsané projekty jsou open-source a většina z nich podporuje ROS systém. Z popsaných projektů je vybrán projekt Optimized SC-F-LOAM pro další práci. Je popsána jak funguje jeho odometrie FLOAM a její spojení s optimalizací a hledání smyček. Hledání smyček je prováděno pomocí deskriptoru ScanContext. Následně je proveden návrh pro zprovoznění projektu pro offline a online dat ve vnitřních prostorách. V posledních kapitolách je řešen postup oživení, ladění projektu a jsou vyhodnoceny výsledku daného projektu pro použití ve vnitřních prostorech.This thesis introduces the problem of simultaneous localization and mapping (SLAM) with focus on the use of a 3D LiDAR sensor. Firsly is written an introduction to SLAM itself and explained graph-based SLAM and dense map representation. The two most common point cloud alignment algorithms ICP and NDT are described. Then research of existing projects solving this problem is carried out. Described projects are all open-source and most of them support the ROS system. One of the described projects, Optimized SC-F-LOAM is explained in detail. Thesis describes it's odometry FLOAM and connection between it and graph optimization with loop closure. For loop closure is used descriptor ScanContext. Then it is presented design for implementing choosen project on offline and online datas from indoor. In last chapters is described proces of implementing and tuning project and at the end results of using said project in indoors are presented.