Аннотация.

Построение карты проходимости на основе показаний датчиков измерения расстояния (например, сонаров) является одним из немногих методов для невизуальной локализации и картирования. Простейшая модель карты проходимости является сеткой, каждая ячейка которой может быть “проходимой” или “занятой”. Стандартным предположением при построении карты проходимости на основе показаний сонаров является независимость значений ее ячеек. Подобное предположение значительно упрощает задачу восстановления карты, однако в определенных случаях дает неверный ответ. Методы, которые не вводят предположения о независимости, более точны, однако большинство из них не способны работать в режиме реального времени. В данной работе предлагается метод, не использующий предположения о независимости ячеек и способный оперировать в реальном времени, и сравниваем результаты его работы с традиционным методом построения карты.

Ключевые слова:

картографирование сонарами, прямая модель сонара, стохастический градиентный спуск.

Стр. 64-69.

Полная версия статьи в формате pdf. 

D. P. Nikolaev, E. A. Shvets, D. A. Shepelev

"Learning occupancy grids from sonar measurements using stochastic gradient descent"

Abstract. Building occupancy map using data from range-finding sensors (for example, sonars) is one of the few available methods for non-visual localization and mapping. A simple model for occupancy map is a grid, each cell being either occupied or free. Common assumption when building an occupancy grid using sonar data is that the occupancies of different cells in the grid are independent. Such assumption significantly simplifies the task of reconstructing the map, however, produces incorrect results in some cases. Methods that don’t rely on the assumption are more precise, however, usually are not real-time feasible. In the paper we propose a method that does not assume the independence of the cells and is able to operate real-time. We then compare the results of its work with the traditional occupancy grid mapping method.

Keywords: sonar-based mapping, forward sonar model, stochastic gradient descent

REFERENCES

1. Elfes Alberto. Occupancy grids: a probabilistic framework for robot perception and navigation. 1989.
2. Schiele, Bernt, James L. Crowley. A comparison of position estimation techniques using occupancy grids. Robotics and Automation, 1994. Proceedings., 1994 IEEE International Conference on. IEEE, 1994.
3. Kortenkamp David, Bonasso R. P., Murphy R. AIbased Mobile Robots: Case studies of successful robot systems. 1998.
4. Schiele B., Crowley J. A comparison of position estimation techniques using occupancy grids.
5. Moravec, Hans P. Sensor fusion in certainty grids for mobile robots. AI magazine 9.2. 1988: 61.
6. Moravec, Hans P., Martin C. Martin. Robot navigation by 3D spatial evidence grids. Mobile Robot Laboratory. Robotics Institute, Carnegie Mellon University. 1994.
7. Thrun Sebastian. «Learning occupancy grid maps with forward sensor models.» Autonomous robots 15.2. 2003: p. 111-127.
8. Konolige Kurt. Improved occupancy grids for map building. Autonomous Robots 4.4. 1997: p. 351-367.
9. Elfes Alberto. «Occupancy grids: A stochastic spatial representation for active robot perception.» arXiv preprint arXiv:1304.1098. 2013.
10. Dempster, Arthur P., Nan M. Laird, Donald B. Rubin. Maximum likelihood from incomplete data via the EM algorithm. Journal of the royal statistical society. Series B (methodological). 1977 g. 1-38.