Sharing visual-inertial information for collaborative decentralized simultaneous localization and mapping.
Méthodes de partage d'informations visuelles et inertielles pour la localisation et la cartographie simultanées décentralisées multi-robots
Abstract
In mobile robotics, simultaneous mapping and localization (SLAM) methods are an essential algorithmic brick in order to perceive the environment and autonomously navigate within it. In a visual context, single-robot SLAM methods have now reached high maturity, which has allowed the development of collaborative SLAM methods. However, enhancing the agents’ autonomy while facing informational, network and resource constraints raises the question about the nature of the data to be transmitted between the robots. The objective of this thesis is to design methods for sharing visual and inertial information for collaborative SLAM, which enforce the autonomy of agents and allow them to refine their navigation when they visit common areas. To this end, we have investigated multiple exchange paradigms for decentralized visual-inertial and stereo-visual SLAM architectures. First, we proposed three ways of summarizing visual-inertial data, from which ones we built collaborative SLAM methods. Those are respectively based on the exchange of rigid visual-inertial submaps, condensed packets computed through marginalization and consistent sparsification techniques, and pruned packets built through the selection of raw visual-inertial factors. We evaluated those methods on standard datasets, as well as on our custom AirMuseum dataset, which we purposively designed. Finally, from a mapping perspective, we applied the developped architecture to multi-robot dense SLAM, by extending a dense collaborative mapping method based on the exchange, the registration and the fusion of locally consistent submaps.
En robotique mobile, les méthodes de cartographie et de localisation simultanées (SLAM) constituent une brique algorithme essentielle afin de percevoir l’environnement et y naviguer de façon autonome. En contexte visuel, les méthodes de SLAM mono-robot ont aujourd’hui atteint un haut degré de maturité, ce qui a permis l’essor de méthodes collaboratives. Néanmoins, les problématiques d’autonomie des agents couplées aux contraintes d’information, de réseau et de ressources interrogent sur la nature des données à transmettre entre les robots. L’objectif de cette thèse est de concevoir des méthodes de partage d’informations visuelles et inertielles qui favorisent l’autonomie des robots et leur permettent d’affiner leur navigation dès lors qu’ils visitent des zones communes. Dans ce but, nous investiguons différents paradigmes d’échanges pour des architectures décentralisées de SLAM visio-inertiel et stéréo-visuel. Tout d’abord, nous proposons trois façons de synthétiser des données visio-inertielles, et développons une architecture de SLAM collaboratif décentralisée chargée d’en organiser le calcul, l’échange et l’intégration. Ces méthodes exploitent respectivement l’échange de sous-cartes visio-inertielles rigides, de paquets condensés par marginalisation et éparsification consistante, et de paquets élagués via la sélection de facteurs visioinertiels bruts. Nous les évaluons sur des jeux de données standards, ainsi que sur notre jeu de données AirMuseum, spécifiquement conçu à cette fin. Enfin, nous appliquons l’architecture développée pour la cartographie dense en étendant une méthode de cartographie collaborative reposant sur l’échange, le recalage et la fusion de sous-cartes localement consistantes associées à des représentations de type TS.
Origin | Version validated by the jury (STAR) |
---|