Evolutionary-based global localization and mapping of three dimensional environments

A fully autonomous robot must obtain and interpret information about the environment to execute several tasks. The mobile robot mapping or SLAM problem is closely related to these abilities. It consists of interpreting the information perceived by its sensors in order to build map and localize itself in it. There are many other robot skills that depend on this task; thus, it is one of the most important problems to be solved by a truly autonomous robot. The objective of this work is to design various specific tools related to the mapping problem in order to improve the autonomy of MANFRED-2, which is a mobile robot fully developed by the Robotics Lab research group of the Systems Engineering and Automation Department of the Carlos III University of Madrid. The localization problem in mobile robotics can be defined as the search of the robot's coordinates in a known environment. If there is no information about the initial location, we are talking about global localization. In this work, we have developed an algorithm that solves this problem in a three-dimensional environment using Differential Evolution, which is a particle-based evolutionary algorithm that evolves in time to the solution that yields the cost function lowest value. The proposed method has many features that make it very robust and reliable: thresholding and discarding mechanisms, different cost functions, effective convergence criteria, and so on. The resulting global localization module has been tested in numerous experiments. The high accuracy of the method allows its application in manipulation tasks. If the environment information is given by laser readings, it is essential to correct the local errors between pairs of scans to improve the map quality, which is called registration or scan matching. We have implemented a scan matching algorithm for three-dimensional environments. It is also based on the Differential Evolution method. The high accuracy and computational effi ciency of the proposed method have been demonstrated with experimental results. The last problem addressed here consists of detecting when the robot is navigating through a known place (loop detection). After that, the accumulated error can be minimized to give consistency to the global map (loop closure). We have developed a loop detection method that compares features extracted from two different scans to obtain a loop indicator. This approach allows the introduction of very different characteristics in the descriptor. First, the surface features include the geometric forms of the scan (lines, planes, and spheres). Second, the numerical features describe other several properties (volume, average range, curvature, etc.). The algorithm has been tested with real data to demonstrate its effi ciency. All true loops are correctly detected and no false detections are appreciated when the mobile robot is covering a long trajectory. The results are similar or even better than those obtained by other research groups. In addition, it is a more versatile method because it admits a wide variety of scan properties and different weights in the comparison formula. -------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------Un robot completamente autónomo debe ser capaz de obtener e interpretar la información del entorno para ejecutar diversas tareas. El problema de mapeado o SLAM para robots móviles está estrechamente relacionado con estas habilidades. Consiste en interpretar la infomació percibida por sus sensores para construir un mapa y localizarse. Hay muchas otras tareas que dependen del mapeado, luego este es uno de los problemas más importantes para un robot móvil. El objetivo de este trabajo es el desarrollo de varias herramientas específicas relacionadas con el mapeado de entornos tridimensionales. Con ellas se mejorar a la autonomía del robot manipulador MANFRED-2, que es un robot móvil desarrollado íntegramente en el Robotics Lab del Departamento de Ingeniería de Sistemas y Automática de la Universidad Carlos III de Madrid. El problema de localización para un robot móvil puede ser de nido como la búsqueda de las coordenadas del robot dentro de un entorno conocido. Si no hay información sobre la localización inicial, el problema se denomina localización global. En este trabajo se ha desarrollado un módulo que soluciona este problema para entornos tridimensionales utilizando el algoritmo Differential Evolution, el cual es un filtro evolutivo basado en part culas que evolucionan con el tiempo hacia la solución que tiene asociado un mejor valor para una función de coste dada. El algoritmo desarrollado tiene diversas características que lo hacen muy robusto y fiable: mecanismos de umbralización y descarte, diferentes funciones de coste, criterios de convergencia efectivos, etc. El módulo de localización global se ha probado en m últiples experimentos. La elevada precisión de este método permite que el robot sea utilizado en tareas de manipulación. Si la información del entorno viene dada por barridos de un láser, es muy importante que se pueda corregir el error local entre pares de barridos para mejorar la calidad del mapa. Este proceso se conoce como registro o scan matching. Hemos implementado un algoritmo que resuelve este problema en entornos tridimensionales. Est a tambi en basado en el Differential Evolution. Si se elige la función de forma adecuada es posible resolver el problema de scan matching utilizando este método. La elevada precisión y la eficiencia computacional se han demostrado en los resultados experimentales. El último problema abordado aquí consiste en detectar cuando el robot está navegando por un entorno conocido. Después de esto se podrá minimizar el error acumulado para aumentar la consistencia del mapa. La tarea de detecci on se llama usualmente detección de bucles, mientras que la minimización del error es el cierre del bucle. Se ha desarrollado un algoritmo de detección que extrae las características más importantes de dos barridos del láser para obtener un indicador que es usado como umbral para detectar si el robot está en un lugar que ha visitado previamente. Nuestro método permite tener en cuenta características muy diferentes. Primero, las caractrísticas de superficie permiten incluir las formas geométricas presentes en el barrido (líneas, planos y esferas). Segundo, las características numéricas permiten describir diversas propiedades (volumen, rango medio, curvatura, etc.). El algoritmo ha sido probado con datos reales para demostrar su eficiencia. Todos los bucles son detectados correctamente y no se aprecian falsos positivos cuando el robot está navegando por una trayectoria larga con varios bucles. Los resultados son parecidos o mejores que los que obtienen otros grupos de investigación. Además, este es un m etodo muy versátil pues admite multitud de variables y diferentes pesos en la fórmula de comparación