Efficiently Learning Metric and Topological Maps with Autonomous Service Robots (Effizientes Lernen metrischer und topologischer Karten mit autonomen Servicerobotern)

Models of the environment are needed for a wide range of robotic applications, from search and rescue to automated vacuum cleaning. Learning maps has therefore been a major research focus in the robotics community over the last decades. In general, one distinguishes between metric and topological maps. Metric maps model the environment based on grids or geometric representations whereas topological maps model the structure of the environment using a graph. The contribution of this paper is an approach that learns a metric as well as a topological map based on laser range data obtained with a mobile robot. Our approach consists of two steps. First, the robot solves the simultaneous localization and mapping problem using an efficient probabilistic filtering technique. In a second step, it acquires semantic information about the environment using machine learning techniques. This semantic information allows the robot to distinguish between different types of places like, e. g., corridors or rooms. This enables the robot to construct annotated metric as well as topological maps of the environment. All techniques have been implemented and thoroughly tested using real mobile robot in a variety of environments.

Umgebungsmodelle sind die Grundlage für viele Applikationen innerhalb der mobilen Robotik wie beispielsweise Rettungsaufgaben oder autonomes Staubsaugen. Techniken zum Bauen von Karten mit mobilen Robotern werden daher seit vielen Jahren intensiv untersucht. Meist unterscheidet man hier zwischen metrischen und topologischen Karten. Metrische Modelle verwenden geometrische Darstellungen, wohingegen topologische Karten typischerweise durch Graphen repräsentiert werden. Der Beitrag dieser Arbeit besteht in einem Verfahren zum Erstellen von metrischen wie auch topologischen Karten, basierend auf Daten, die mittels Abstandssensoren aufgenommen wurden. Unser Ansatz basiert auf zwei Schritten. Zuerst wird das so genannte simultane Lokalisierungs- und Kartenbauproblem mit Hilfe wahrscheinlichkeitstheoretischer Filtertechniken gelöst. Im zweiten Schritt schätzt unser Verfahren semantische Informationen über Orte in der Umgebung. Diese Technik erlaubt es einem Roboter beispielsweise zu entscheiden, ob dieser sich gerade in einem Raum, einem Türrahmen oder in einem Korridor befindet. Dadurch kann der Roboter die metrische Karte annotieren und somit die Topologie schätzen. Um Klassifikationsfehler zu minimieren, verwenden wir eine probabilistische Relaxationsmethode. Das hier vorgestellte Verfahren wurde implementiert und mit Hilfe echter mobiler Roboter intensiv getestet und evaluiert.