INTEGRACION DE RECONOCIMIENTO DE ESCENAS Y …

Actas de las XXXV Jornadas de Automática, 3-5 de septiembre de 2014, ValenciaISBN-13: 978-84-697-0589-6 © 2014 Comité Español de Automática de la IFAC (CEA-IFAC)

INTEGRACION DE RECONOCIMIENTO DE ESCENAS YLOCALIZACION BASADA EN MONTE CARLO

Javier Perez, Luis MerinoUniversidad Pablo de Olavide, Crta. Utrera km1, E-41013, (Sevilla), {jiperlar,lmercab}@upo.es

Fernando CaballeroUniversidad de Sevilla, Camino de los Descubrimientos s/n, E-41092, (Sevilla), [email protected]

Resumen

Este trabajo propone la extension del algoritmo deLocalizacion Monte Carlo con informacion visualpara conseguir un sistema de localizacion a largoplazo, capaz de funcionar de forma ininterrumpi-da sin necesidad de injerencia humana, en entor-nos no necesariamente planos y muy concurridos,donde los laseres 2D pueden no resultar suficien-tes para obtener la localizacion del robot en el ma-pa. Nuestra propuesta emplea el reconocimiento deescenas para determinar si el robot se encuentraperdido y permitirle la relocalizacion. Este artıcu-lo presenta resultados experimentales basados endatasets tomados con el robot FROG en escena-rios complejos.

Palabras clave: Localizacion, Monte Carlo,Bag of Words, Place recognition, Long-termlocalization.

1. INTRODUCCION

El trabajo descrito en este artıculo es fruto de par-te de las tareas enmarcadas en el proyecto FROG1,consistente en el desarrollo de un robot guıa paraentornos turısticos con zonas de exterior e interior.El uso de robots guıas se lleva estudiando desdehace mas de una decada [1], sin embargo, nues-tro proyecto considera una nueva contribucion aldesarrollar comportamientos sociales y su adapta-cion ante las reacciones de las personas con las queinteractuan. Pretendemos demostrar la capacidadde navegar y localizarse durante largos periodosde tiempo en el Zoo de Lisboa y el Real Alcazarde Sevilla.

Navegar en estos escenarios tan concurridos (elReal Alcazar de Sevilla recibe mas de 5000 visitasdiarias de media) requiere un algoritmo de loca-lizacion muy robusto. Conseguir una localizacionque funcione en largos periodos de tiempo conllevadistintos retos, como operar en entornos varian-tes, la recuperacion ante errores de localizacion,reconocimiento eficiente de lugares, etc. teniendo

1http://www.frogrobot.eu

en cuenta las variaciones de iluminacion, ası co-mo los efectos meteorologicos. Los escenarios detrabajo presentan por tanto una alta variabilidadcon oclusiones parciales de los sensores, debido alos turistas, lo que podra causar problemas en lossistemas tradicionales de localizacion basados enmapas usando las mediciones del laser y la odo-metrıa [2].

Las implementaciones de “scan matching” basa-das en laseres 2D son los metodos de localizacionmas extendidos debido a su alta precision compa-rada con otros sensores y su bajo coste compu-tacional en comparacion con los sensores visua-les [3]. Estos algoritmos hacen unos de mapasgeometricos y “scan matching” para estimar lanueva posicion del robot a partir de las anterioresy la odometrıa. Los algoritmos de “scan matching”puede trabajar con pequenas variaciones en el en-torno, tales como cambios en el estado de puertas,pero puede verse empobrecido su funcionamientocuando existen grande variaciones, como escena-rios muy concurridos y escenarios dinamicos co-mo el Zoo de Lisboa y el Real Alcazar de Sevilla,donde los visitantes pueden acercarse y rodear alrobot movidos por la curiosidad o mientras estansiendo guiados.

Distintas aproximaciones han sido consideradaspara mejorar la robustez de la localizacion, Hents-chel y Wagner [4] y Dayoub y Duckett [5] presen-tan en sus trabajos representaciones del entornopara robots moviles autonomos que se adaptancontinuamente en el tiempo, inspiradas en la me-moria humana guardando el conocimiento del en-torno actual y pasado, usando memoria del sensory memorias a corto y largo plazo.

Algoritmos de deteccion online de cierres de buclesbasados en reconocimiento visual como OpenFab-Map2 [6], DLoopDetector [7], y otros [8] que usanestructuras basadas en Bag-of-Words [9] han sidopresentados para detectar lugares revisitados, re-sultando de gran ayuda para la recuperacion deerrores en localizacion. Corke et al. [10] aporta unalgoritmo para obtener imagenes invariantes paralocalizacion a largo plazo. En el describen comoconvertir imagenes en color a diferentes horas deldıa en exteriores a imagenes en tonos grises inva-


riantes eliminando el efecto de las sombras.

Estos algoritmos visuales pueden ser facilmenteusados para proveer nuevas hipotesis de localiza-cion a las tradicionales tecnicas basadas en el usode otras modalidades sensoriales, como laseres 2D.Estas nuevas hipotesis pueden mejorar la robustezdel sistema de localizacion. En este artıculo pro-ponemos un sistema basado en el Filtro de MonteCarlo alimentado con nuevas partıculas obtenidasa traves de reconocimiento visual de entornos, per-mitiendo recuperaciones de posibles errores en lo-calizacion en combinacion a la alta fiabilidad delos laseres en los procesos de relocalizacion.

El artıculo se estructura de la siguiente manera:la siguiente seccion describe la plataforma roboti-ca usada para las pruebas. La Seccion 3 presentacomo la referencia de posicion de los experimen-tos fue obtenida para construir el mapa y com-probar el algoritmo descrito en la Seccion 4 paralocalizacion a largo plazo. El artıculo termina conla Seccion 5 detallando los experimentos hechos yresultados obtenidos y las conclusiones y futuraslineas a seguir en la Seccion 6.

2. PLATAFORMA ROBOTICA

La Fig. 1 muestra a FROG durante una demostra-cion en el Zoo de Lisboa. El robot consiste en unaplataforma movil, con 4 ruedas adaptadas a losescenarios considerados. Tiene una autonomıa deentre dos y cuatro horas, dependiendo del tipo desuperficie de movimiento ası como del numero dePCs de a bordo funcionando a la vez (hasta tres).El robot pesa 80Kg aproximadamente y su maxi-ma velocidad es de 1.6 m/s (limitacion software a0.8 m/s).

El robot esta equipado con un amplio rango desensores para propositos de seguridad, localizaciony navegacion. Entre ellos, los siguientes sensoresson considerados para la localizacion y navegacion:

La odometrıa es calculada mediante los enco-ders de las ruedas y las velocidades angularesobtenidas de una IMU MTi-G de XSense.

Tres lasers son empleados: dos horizontalmen-te para obtener mediciones frontales y trase-ras para localizacion y evitacion de obstacu-los y un tercero con cierta inclinacion parapercepcion 3D de obstaculos en la direccionde avance del robot, permitiendo discernirsi una rampa es navegable o no, ya que loslaseres horizontales podrıan detectarlas comoobstaculos.

Un par estereo, para la deteccion de personas,estimacion de posicion del robot y percepcion3D del entorno.

Figura 1: Arriba: robot FROG. Plataforma desa-rrollada y ubicaciones de los sensores. Abajo: parestereo en los ojos del robot y pantalla tactil. Lapantalla muestra la estimacion de las personas de-tectadas por el par estereo.

Una camara adicional para determinar expre-siones y estados de animo de las personas queinteractuen con el robot.

3. CONSTRUCCION DEL MAPA

Para probar el algoritmo propuesto es necesariogenerar un mapa de navegacion de alta precision.Los experimentos reales mostrados en este artıcu-lo fueron llevados a cabo en el Zoo de Lisboa.Tratandose de una zona parcialmente fuera de co-bertura GPS, debido a la existencia de zonas cu-biertas dentro del recorrido, resulta necesario em-plear tecnicas de SLAM para construir un mapapreciso.

La aplicacion considerada permite una solucionSLAM offline: se pueden almacenar datos en lazona y con ellos construir un mapa offline (se ne-cesitara de un tratamiento del mapa para anadirfuturos cambios en el entorno). En consecuencia,el mapa es obtenido mediante la resolucion offlinedel problema completo de SLAM, consistiendo en


Figura 2: Arriba cierres de bucles en el Zoo de Lis-boa (las lıneas rojas marcan las zonas revisitadas).Se aprecia tıpica deriva asociada a la odometrıa.Abajo Point Cloud en el Zoo de Lisboa. Las altu-ras estan codificadas en colores (el rojo indica lamayor altura).

la obtencion del mapa y de la completa trayectoriadel robot dando todas las mediciones sensorialesdisponibles.

El problema full-SLAM puede entenderse como unproblema de minimizacion no lineal de mınimoscuadrados, en el que la informacion sensorial pro-porciona restricciones entre las diferentes variablesdel problema, tıpicamente las posiciones del roboty las posiciones de los elementos del mapa. La mi-nimizacion no lineal es llevada a cabo por el SLAMback-end. La tecnica empleada en este artıculo esg2o [11], que requiere una estimacion inicial de losvalores de todas las variables, ası como las restric-ciones entre ellos, codificadas como un grafo (o unhipergrafo).

Este grafo es generado por el SLAM front-end. Ennuestro caso, resolvemos el problema pose-SLAM,donde solo la trayectoria del robot es recuperadapor el SLAM back-end. Nuestro interfaz considerala odometrıa y los cierres de bucles proporciona-dos por el algoritmo OpenFabMap2 [6] sobre lasimagenes para proporcionar las restricciones en lasvariables de estado, en este caso las posiciones delrobot.

Tras la ejecucion de la anterior minimizacion seobtiene una trayectoria optima corregida del ro-

Figura 3: Arriba: mapa obtenido mediante la pro-yeccion de la informacion con la posicion optimi-zada del robot. Las lıneas rojas se refieren a ladeteccion de cierres de bucles. Abajo: refinamien-to del mapa tras considerar la informacion de loslaseres en el proceso de optimizacion. Puede ver-se como la vegetacion y los arboles son alineadoscorrectamente.

bot. Esta trayectoria se usa para generar el mapaa partir de las mediciones de los sensores. Ası, unmapa 2D o 3D puede ser construido con las medi-ciones de los laseres y del sistema stereo. La Fig.2 muestra el mapa 3D generado mediante el laserpara una trayectoria de 1,4 km. en el Zoo de Lis-boa. Se ve como la divergencia de la odometrıadistorsiona el mapa con respecto a su forma real ycomo la deteccion de cierres de bucles permite re-finar el mapa y obtener una estimacion consistentede la posicion global.

No obstante, mientras la trayectoria del robot esglobalmente consistente, la proyeccion de datos(laseres, nubes de puntos o datos estereo) en el sis-tema de referencia global conducira a mapas conerrores locales, como paredes poco definidas o do-bles, debido a que la informacion de los sensoresno fue considerada en la minimizacion. Por tanto,un procedimiento final es empleado para optimi-zar el mapa resultante. Los pasos seguidos fueron:Se obtuvo un nuevo set de restricciones median-te el emparejamiento de medidas de laser o nubesde puntos. Como una buena estimacion inicial dela posicion del robot esta aun disponible de la so-lucion inicial, el proceso de emparejamiento entrelaseres es realizado no solo entre posiciones conse-cutivas, sino entre posiciones cercanas en el espa-cio pero no en el tiempo. A continuacion las posi-ciones son refinadas mediante la minimizacion deuna funcion de errores para esas restricciones que


Figura 4: Occupancy grid map resultante del Zoode Lisboa tras la integracion de las medidas 2D delos laseres.

Figura 5: 2D occupancy map del Zoo de Lisboasuperpuesto a un mapa CAD del mismo.

dependen de la calidad de alineamiento de lase-res.Y por ultimo la semilla inicial para la minimi-zacion es obtenida de la solucion previa.

La Fig. 3 muestra un ejemplo de este refinamiento.En la Fig. 4 se ve el mapa resultante tras la inte-gracion de mediciones laser 2D. Una comparacionentre este mapa y el mapa CAD es mostrado enla Fig. 5. El robot hizo una exploracion completade la zona navegable para la generacion del ma-pa, adquiriendo datos con ambos laseres (frontaly trasero). Como se ve en la Fig. 4, los obstacu-los no permanentes, como personas, son elimina-dos debido a la integracion de informacion duran-te la construccion del mapa, situacion similar conlas rampas, que tambien resultan eliminadas en elmapa final.

4. ALGORITMO DELOCALIZACION A LARGOPLAZO

4.1. Algoritmo Base de Localizacion

El modulo de localizacion provee la posicion delrobot en 6D al resto de modulos en ejecucion. Seemplea un algoritmo de localizacion basado en ma-pa, ası la posicion del robot esta referida al sistemade dicho mapa. En particular, empleamos un Al-goritmo de Localizacion de Monte Carlo (MCL)[12]. Los Filtros de Partıculas son muy flexiblesen la representacion de distribuciones de probabi-lidad arbitraria y permiten la fusion de informa-cion sensorial proveniente de distintas fuentes, queresulta relevante para el metodo descrito en estetrabajo.

La localizacion del robot 6DOF es representada

mediante xt =[x y z γ ϕ θ

]T, donde la

orientacion es descrita por los angulos roll (γ),pitch (ϕ) y yaw (θ). Sin embargo, al considerarun robot movil terrestre, este esta limitado a unanavegacion 2D en escenarios reales. Por esto, lacoordenada z es dependiente de las otras x e yen el map M . Ademas, la IMU incorporada en laplataforma, proporciona una solucion estable pa-ra la estimacion de γ y ϕ mediante el uso de fil-tros internos. Para reducir el espacio de estadosrequerido por las partıculas, consideramos un Fil-tro Rao-Blackwellized [13], en el que la pose 2D

actual[x y θ

]Tes obtenida mediante el filtro y

la altura z mediante un Filtro de Kalman (recor-dando que los angulos roll y pitch son proporcio-nados por la IMU).

La distribucion de probabilidad de la posicion delrobot es representada por un conjunto de partıcu-

las con pesos ω: 〈x[i]t , y[i]t , θ

[i]t , z

[i]t , σ

[i]z,t, γ, ϕ, ω

[i]〉.Estas partıculas son actualizadas mediante la in-formacion proveniente de las mediciones odometri-cas y las lecturas del laser del robot (ver Alg. 1,lıneas 6 a 9 para la prediccion odometrica y 17 a18 para actualizacion). La altura es generada enlas lıneas 10 y 11 considerando un mapa de alturashM (x, y), construido durante la fase de mapeo aldiscretizar el plano XY y determinando la altu-ra en cada celda. De forma adicional, integramosla odometrıa basada en el mapa para suavizar laestimacion de alturas en caso de mapas con varia-ciones bruscas.

4.2. Inyeccion de partıculas basada enapariencia

El re-muestreo de partıculas y las oclusiones dellaser pueden introducir errores en algunas ejecu-ciones [14], causando que el filtro de partıculas di-


Algorithm 1 Base Localization Algorithm

1: 〈x[i]t , y[i]t , θ

[i]t , z

[i]t , σ

[i]z,t, γ, ϕ, ω

[i]〉Li Current sta-te of the filter /* Prediction stage */

2: if Odometric measurement ut =[v θ γimu ϕimu

]Tthen

3: ϕ← ϕimu4: γ ← γimu5: for i = 1 to L do6: 〈x[i]t+1, y

[i]t+1, θ

[i]t+1〉 ← sam-

ple kinematic model (x[i]t , y

[i]t , θ

[i]t ,ut,∆t)

7: v[i]g = R(γ, ϕ, θ[i])

[v 0 0

]T8: z

[i]t+1 = z

[i]t + ∆tv

[i]g,z

9: σ[i]2z,t+1 = σ

[i]2z,t + σ2

10: z[i]t+1 = z

[i]t − σ

[i]2z,t+1

σ[i]2z,t+1+σ

2z,M

(z[i]t −

hM (x[i]t , y

[i]t ))

11: σ[i]2z,t+1 =

σ[i]2z,t+1σ

2z,M

σ[i]2z,t+1+σ

2z,M

12: ω[i]t+1 = ω

(i)t N (z

[i]t+1;hM (x

[i]t , y

[i]t ), σ

[i]2z,t+1 +

σ2z,M )

13: end for14: end if15: if Laser measurement zt then16: for i = 1 to L do17: Compute likelihood

p(zt|x[i]t+1, y[i]t+1, θ

[i]t+1,M)

18: Update weight ω[i]t+1 =

p(zt|x[i]t+1, y[i]t+1, θ

[i]t+1,M)ω

(i)t

19: end for20: end if21: Normalize weights {ω(i)

t }, i = 1, . . . , L22: Resample if necessary

verja o converja a una localizacion erronea. Estosefectos pueden ser limitados mediante tecnicas in-teligentes de re-muestreo [15], pero no pueden sercompletamente evitados. Por esta razon propone-mos extender el algoritmo MCL para incorporarinformacion de sensores adicionales distintos delos laseres. En particular nuestra propuesta in-troduce informacion de apariencia proveniente delas imagenes mediante OpenFabMap2 [6], meto-do probabilıstico para navegacion y mapeo basa-do en apariencia usando informacion espacial yde semejanza visual basado en Bag-of-Words pa-ra detectar cierres de bucles. Al no implementartratamiento para la variacion de iluminacion, esnecesario grabar datos a distintas horas del dıapara incrementar la precision de los matches.

El Alg. 2 resume el metodo propuesto. Durantela etapa de mapeo (Seccion 3) las imagenes iz-quierdas del par estereo son grabadas a intervalosregulares de tiempo y espacio e incluidas en labase de datos de OpenFabMap2 junto con la posi-

Figura 6: Matcheo entre imagenes.

Algorithm 2 Particle injection based on Open-FabMap2 place recognition

1: BoW database 〈xi, yi, θi, BoWi〉2: if New image It then3: Extract BoWt from It4: if match between present BoWt and BoWk

from database then5: Evaluate error in pose6: if errorp > thp OR erroro > tho then7: Substitute pf th % particles with others

distributed with center 〈xk, yk, θk〉 andweight winjected

8: end if9: end if

10: end if

cion en la que fueron tomadas. Esta base de datoses usada en una version modificada de OpenFab-Map2 que compara la imagen actual It con la basede datos (inalterada durante la ejecucion). Si unemparejamiento entre las imagenes It y Ik de labase es detectado (Fig. 6), el algoritmo evaluara elerror entre la posicion actual del robot con la po-sicion del robot en el momento en que se obtuvola imagen Ik. Si el error en posicion y orientaciones superior a un umbral definido previamente seprocedera a inyectar partıculas en el conjunto departıculas de trabajo.

El proceso de Inyeccion de Partıculas consiste enreemplazar las pf th partıculas menos significati-vas, donde pf th es un porcentaje del numero ac-tual de partıculas en la hipotesis (en los tests reali-zados se procedio a reemplazar un 1 % de partıcu-las), por nuevas partıculas generadas con una dis-tribucion Gaussiana centrada en la posicion don-de la imagen Ik fue obtenida y con un nuevo pesowinjected relativo al maximo peso existente en elconjunto de partıculas de trabajo (en los tests setomo un valor del 50 %).

La Inyeccion de Partıculas es hecha en el algoritmobase antes de evaluar las lecturas del laser (antesde la lınea 14 en el Alg. 1), ası las nuevas partıcu-las veran sus pesos actualizados de acuerdo a laprobabilidad obtenida con el ajuste del laser. Trasesto el algoritmo continua con el re-muestreo, fa-voreciendo a las partıculas mejor localizadas con


mayor peso, proveyendo ası al modulo de locali-zacion de un permanente y rapido proceso de re-cuperacion de errores en localizacion, con tiemposde recuperacion del orden de 17s en el peor de loscasos.

5. RESULTADOSEXPERIMENTALES

Esta seccion detalla un conjunto de experimen-tos ideados para validar el metodo propuesto. Lossensores del robot (laser, camaras, odometrıa...)fueron almacenados durante una hora aproxima-damente mientras navegaba 1,5 km. en el Zoo deLisboa, un escenario desafiante, con rampas, ve-getacion e informacion no estructurada. Este con-junto de datos es distinto del usado para construirel mapa y para obtener las imagenes empleadasen OpenFabMap2 para reconocimiento de escenas.Los experimentos evaluaran la mejora en la preci-sion de localizacion cuando la etapa de reconoci-miento de imagenes es integrada junto con MCL.

Para medir la precision en localizacion de los algo-ritmos, la posicion 2D real es calculada mediantelos dos laseres horizontales cubriendo los 360 gra-dos alrededor del robot y ejecutando un MCL con5.000 partıculas. El algoritmo propuesto (Inyec-cion de Partıculas) y el algoritmo base de loca-lizacion (MCL) son comprobados contra la posi-cion real usando el laser frontal y las camaras de abordo. Diferentes laseres de bajo coste y el efectode escenarios concurridos son simulados median-te la reduccion del rango maximo de los laseres.Los test prueban 6 veces ambos algoritmos parael unico laser horizontal con 5m, 10m, 15m y 20mcomo rango maximo.

La Fig. 7 muestra el error medio absoluto en posi-cion y orientacion de seis intentos para cada con-figuracion empleada de laser, tanto para la Inyec-cion de Partıculas como para MCL respecto a latrayectoria real. Puede verse como el algoritmopropuesto tiene menor error medio que MCL y,aun mas, MCL tuvo que ser manualmente recu-perado en varias ocasiones mientras que en el al-goritmo con Inyeccion de Partıculas nunca huboque intervenir en la recuperacion de localizacion.Se comprueba que el algoritmo de Inyeccion dePartıculas proporciona una rapida y robusta re-cuperacion incluso en las peores situaciones conoclusiones de laseres y gente rodeando al sensor.Se reduce drasticamente hasta cero el numero me-dio de veces que el robot se pierde. Se verifica pa-ra distintas longitudes maximas de lectura de laser(ver Tabla 1). Como se esperaba, con menores lon-gitudes maximas de medida de laser, mayores sonlas probabilidades de que el robot acabe perdido.

Tabla 1: Recuperaciones medias (veces por confi-guracion de rango maximo) para MCL y MCL conInyeccion de Partıculas

Rango Maximo MCL MCL+PI

5m 2,5 010m 0,83 015m 0,66 020m 0 0

Tabla 2: Valores medios y desviacion estandar pa-ra error en posicion y orientacion para MCL condistintos valores de rango maximo de laser

Rango MaximoMCL

err. pos. (m) err. or. (rad)

5m 10,73± 13,64 0,20± 0,3310m 10,39± 19,74 0,20± 0,3515m 2,27± 6,87 0,08± 0,1920m 2,83± 6,18 0,12± 0,24

Las Tablas 2 y 3 presentan errores medios en lo-calizacion para cada uno de los intentos realizadospara cada configuracion de laser comparados con-tra la trayectoria real para MCL (Tabla 2) y parala Inyeccion de Partıculas (Tabla 3). Se verificaque los errores se mantienen cerca a 1 m. en po-sicion y 0.01 rad. en orientacion para todas lasconfiguraciones de laser en nuestro algoritmo pro-puesto, mientras que los errores son elevados paraMCL con laseres limitados a 5 y 10 metros.

6. CONCLUSIONES YTRABAJOS FUTUROS

En este artıculo hemos presentado un algoritmopara integrar reconocimiento visual de escenas conLocalizacion Monte Carlo y disponer de un siste-ma mas robusto en escenarios concurridos e irre-gulares. Este metodo permite inyectar partıculasen los posibles lugares donde se este producien-do cierres de bucles, chequeando la posicion de lanueva hipotesis con las medidas de los laseres.

Tabla 3: Valores medios y desviacion estandarpara error en posicion y orientacion paraMCL+Inyeccion de Partıculas con distintas con-figuraciones de rango maximo de laser

Rango MaximoMCL + Particle Injection

err. pos. (m) err. or. (rad)

5m 1,95± 6,59 0,08± 0,1910m 1,27± 5,14 0,05± 0,1415m 1,04± 4,85 0,04± 0,1320m 1,10± 6,55 0,037± 0,10


0 1000 2000 3000 4000 5000 6000 70000

10

20

30

40

50

60

70

80

Trajectory samples (4Hz)

Err

or (

m)

5m laser

Error with MCL (m)Error with particle injection (m)Manual recovery

(a)

0 1000 2000 3000 4000 5000 6000 70000

0.5

1

1.5

2

2.5

3

3.5


Err

or (

rad)

5m laser

Error with MCL (rad)Error with particle injection (rad)Manual recovery

(b)

0 1000 2000 3000 4000 5000 6000 70000

10

20

30

40

50

60

70


Err

or (

m)

10m laser


(c)

0 1000 2000 3000 4000 5000 6000 70000

0.5

1

1.5

2

2.5

3


Err

or (

rad)

10m laser


(d)

0 1000 2000 3000 4000 5000 6000 70000

10

20

30

40

50

60

70

80


Err

or (

m)

15m laser


(e)

0 1000 2000 3000 4000 5000 6000 70000

0.5

1

1.5

2

2.5

3

3.5


Err

or (

rad)

15m laser


(f)

0 1000 2000 3000 4000 5000 6000 70000

10

20

30

40

50

60

70


Err

or (

m)

20m laser

Error with MCL (m)Error with particle injection (m)

(g)

0 1000 2000 3000 4000 5000 6000 70000

0.5

1

1.5

2

2.5


Err

or (

rad)

20m laser

Error with MCL (rad)Error with particle injection (rad)

(h)

Figura 7: Comparacion de error medio en posicion (izda.) y error absoluto medio en orientacion (derecha)entre MCL (azul) y Algoritmo de Inyeccion de Partıculas propuesto (rojo) tras 6 simulaciones para cadaconfiguracion de laser. MCL fue supervisado y manualmente recuperado en caso de perdida. Todas lasrecuperaciones manuales estan representadas en las graficas mediante puntos azules (un punto determinaque se produjo una perdida en localizacion en al menos 1 de las 6 simulaciones para la configuracion encuestion). Las recuperaciones manuales se representan ası mismo en la Tabla 1 para cada configuracionde laser.


Los resultados experimentales con datasets mues-tran que el metodo se comporta correctamente yreduce drasticamente el numero medio de vecesque el robot se pierde, con el correspondiente im-pacto en la precision y fiabilidad de la localizacion.

El trabajo futuro incluira analisis de las areas denavegacion y la inclusion de diversos modelos dedistribucion de probabilidad de las partıculas enlas distintas zonas del mapa. En este artıculo he-mos empleado una distribucion Gaussiana, pero enpasillos serıa mas eficiente usar modelos que distri-buyesen las partıculas a lo largo de ellos, haciendola dispersion mas alargada en la direccion longi-tudinal del pasillo. Analisis similares pueden rea-lizarse para otras areas teniendo en cuenta comose distribuye la gente en escenarios concurridos,patios, salas alargadas o recorridos turısticos.

Agradecimientos

Este trabajo esta parcialmente financiado por el7o Programa Marco de la Comision Europea:proyecto 288235 (FROG) y el proyecto PAIS-MultiRobot, financiado por la Junta de Andalucıa(TIC-7390).

Referencias

[1] S. Thrun, M. Beetz, M. Bennewitz, W. Bur-gard, A. B. Cremers, F. Dellaert, D. Fox,and C. Hahnel, October 2000, “Probabilis-tic algorithms and the interactive museumtour-guide robot minerva,” The Internatio-nal Journal of Robotics Research, vol. 19, pp.972–999.

[2] R. Kummerle, M. Ruhnke, B. Steder, C. Sta-chniss, and W. Burgard, 2013, “A naviga-tion system for robots operating in crow-ded urban environments,” in Proc. of theIEEE Int. Conf. on Robotics and Automation(ICRA), 2013, pp. 3225–3232.

[3] P. F. Alcantarilla, O. Stasse, S. Druon, L. M.Bergasa, and F. Dellaert, Jan. 2013, “Howto localize humanoids with a single camera?”Auton. Robots, vol. 34, no. 1-2, pp. 47–71.

[4] M. Hentschel and B. Wagner, 2011, “Anadaptive memory model for long-term na-vigation of autonomous mobile robots,” inJournal of Robotics, 2011.

[5] F. Dayoub and T. Duckett, Sept 2008, “Anadaptive appearance-based map for long-term topological localization of mobile ro-bots,” in Intelligent Robots and Systems,2008. IROS 2008. IEEE/RSJ InternationalConference on, Sept 2008, pp. 3364–3369.

[6] A. J. Glover, W. P. Maddern, M. Warren,S. Reid, M. Milford, and G. Wyeth, 2012,

“Openfabmap: An open source toolbox forappearance-based loop closure detection.” inICRA. IEEE, 2012, pp. 4730–4735.

[7] D. Galvez-Lopez and J. D. Tardos, October2012, “Bags of binary words for fast place re-cognition in image sequences,” IEEE Tran-sactions on Robotics, vol. 28, no. 5, pp. 1188–1197.

[8] A. Angeli, D. Filliat, S. Doncieux, and J. ar-cady Meyer, 2008, “A fast and incrementalmethod for loop-closure detection using bagsof visual words,” IEEE Transactions OnRobotics, Special Issue on Visual SLAM, pp.1027–1037.

[9] H. M. Wallach, 2006, “Topic modeling:Beyond bag-of-words,” in Proceedings of the23rd International Conference on MachineLearning, ser. ICML ’06. New York, NY,USA: ACM, 2006, pp. 977–984.

[10] P. Corke, R. Paul, W. Churchill, and P. New-man, 2013, “Dealing with shadows: Captu-ring intrinsic scene appearance for image-based outdoor localisation.” in IROS. IEEE,2013, pp. 2085–2092.

[11] R. Kummerle, G. Grisetti, H. Strasdat,K. Konolige, and W. Burgard, 2011, “g2o: Ageneral framework for graph optimization,”in Proc. International Conference on Roboticsand Automation, ICRA. IEEE, 2011, pp.3607–3613.

[12] S. Thrun, D. Fox, W. Burgard, and F. De-llaert, 2000, “Robust monte carlo localizationfor mobile robots,” Artificial Intelligence, vol.128, no. 1-2, pp. 99–141.

[13] A. Doucet, N. d. Freitas, K. P. Murphy,and S. J. Russell, June, 2000, “Rao-blackwellised particle filtering for dynamicbayesian networks,” in Proceedings of the16th Conference on Uncertainty in ArtificialIntelligence, ser. UAI ’00. San Francisco,CA, USA: Morgan Kaufmann PublishersInc., June, 2000, pp. 176–183.

[14] L. Carlone and B. Bona, June 2009, “A com-parative study on robust localization: Faulttolerance and robustness test on probabilisticfilters for range-based positioning,” in Advan-ced Robotics, 2009. ICAR 2009. InternationalConference on, June 2009, pp. 1–8.

[15] S. Thrun, W. Burgard, and D. Fox, Probabi-listic Robotics (Intelligent Robotics and Au-tonomous Agents). The MIT Press, 2005.

Documents

INTEGRACION DE RECONOCIMIENTO DE ESCENAS Y …