Odporne metody ekstrakcji odcinków na podstawie danych uzyskanych ze skanera laserowego 2D

• Autorzy: Skrzypczyński P.

Warianty tytułu

EN

Robust methods for line segment extraction from 2D laser scanner data

• Języki publikacji: PL

Abstrakty

PL

W pracy przedstawiono metody i algorytmy ekstrakcji odcinków z danych uzyskanych ze skanera laserowego 2D, które są następnie używane jako cechy geometryczne w systemie jednoczesnej samolokalizacji i budowy mapy otoczenia robota mobilnego. Dokonano analizy wybranych algorytmów grupowania i segmentacji pomiarów oraz estymacji parametrów cech-odcinków pod względem ich efektywności obliczeniowej, dokładności otrzymywanych wyników oraz zdolności do propagacji niepewności informacji od modelu pomiaru do modelu cechy. Przedstawiono nowe algorytmy szybkiego grupowania pomiarów i odpornej estymacji parametrów prostej wspierającej odcinka.

EN

In this paper we discuss methods used to extract line segments from 2D laser scanner data. The segments are then used as geometric features in a stochastic map built simultaneously while localizing the mobile robot. Selected algorithms for segment extraction are surveyed and evaluated regarding their ability to represent the quantitative and qualitative types of uncertainty, and to propagate the spatial uncertainty from raw measurements to the geometric features. New algorithms for fast segmentation of the range data and for robust estimation of the straight line parameters are developed.

Słowa kluczowe

PL

mapa otoczenia robota; robot mobilny; metody grupowania; metody segmentacji

EN

map of the robot environment; mobile robot; clustering methods; segmentation methods

• Wydawca: Poznańskie Towarzystwo Przyjaciół Nauk
• Czasopismo: Studia z Automatyki i Informatyki
• Rocznik: 2007
• Tom: T. 32
• Strony: 135--154
• Opis fizyczny: Bibliogr. 25 poz., rys.

Twórcy

autor

Skrzypczyński P.

• Politechnika Poznańska, Instytut Automatyki i Inżynierii Informatycznej, Zakład Automatyki i Robotyki, ul. Piotrowo 3A, 60-965 Poznań,

Bibliografia

• [1] Adams M. D., Sensor Modelling, Design and Data Processing for Autonomous Navigation, Singapore, World Scientific 1999.
• [2] Aho A., Hopcroft J., Ulman D., Projektowanie i analiza algorytmów, Warszawa, Helion 2003.
• [3] Arras K. O., Siegwart R., Feature Extraction and Scene Interpretation for Map-based Navigation and Map-Building, w: Mobile Robots XII, SPIE Proc. 3210, Pittsburgh 1997, s. 42-53.
• [4] Arras K. O., Feature-Based Robot Navigation in Known and Unknown Environments, PhD Thesis, École Polytechnique Fédérale, Lausanne 2003.
• [5] Ayache N., Faugeras O., Maintaining Representations of the Environment of Mobile Robot, w: Autonomous Robot Vehicles, red. I. Cox, G. Wilfong, Berlin, Springer 1990, s. 205-220.
• [6] Bar-Shalom Y., Li X. R., Kirubarajan T., Estimation with Applications to Tracking and Navigation, New York, Wiley, 2001.
• [7] Borges G. A., Aldon M.-J., Line Extraction in 2D Range Images for Mobile Robotics, Journal of Intelligent and Robotic Systems, 2004, 40, s. 267-297.
• [8] Castellanos J. A., Tardós J. D., Mobile Robot Localization and Map Building. A Multisensor Fusion Approach, Boston, Kluwer 1999.
• [9] Durrant-Whyte H., Bailey T., Simultaneous Localization and Mapping (Part I), IEEE Robotics & Automation Magazine, 2006, 13(2), s. 99-108.
• [10] Duda R., Hart P., Pattern Classification and Scene Analysis, New York, Wiley 1973.
• [11] Fischler M., Bolles R., Random Sample Consensus: A Paradigm for Model Fitting with Applications to Image Analysis and Automated Cartography, Communications of the ACM, 1981, 24(6), s. 381-395.
• [12] Haralick R. M., Propagating Covariance in Computer Vision, Int. Journal Pattern Recog. and Artif. Intell., 1996, 10, s. 561-571.
• [13] Hoffman R., Jain A., Segmentation and Classification of Range Images, IEEE Trans. on Pattern Anal. And Machine Intell., 1987, 9(5), s. 608-620.
• [14] Huber P. J., Robust Statistics, New York, Wiley 1981.
• [15] Jain R., Kasturi B., Schunck B., Machine Vision, New York, McGraw-Hill 1995.
• [16] Jensfelt P., Approaches to Mobile Robot Localization in Indoor Environments, PhD Thesis, Royal Institute of Technology, Stockholm 2001.
• [17] Nygårds J., On Robot Feedback from Range Sensors, PhD Thesis, Linköping University 1998.
• [18] Rousseeuw P. J., Leroy A. M., Robust Regression and Outlier Detection, New York, Wiley 1987.
• [19] Sack D., Burgard W., A Comparison of Methods for Line Extraction from Range Data, w: Prepr. IFAC Symp. on Intelligent Autonomous Vehicles, Lisbon 2004.
• [20] Skrzypczyński P., 2D and 3D World Modelling Using Optical Scanner Data, w: Intelligent Robots: Sensing, Modelling and Planning, red. R. Bolles et al., Singapore, World Scientific 1997, s. 211-228.
• [21] Skrzypczyński P., Metody analizy i redukcji niepewności percepcji w systemie nawigacji robota mobilnego, Rozprawy, nr 407, Poznań, Wyd. Politechniki Poznańskiej 2007.
• [22] Skrzypczyński P., Analysis and Correction of Qualitative Errors in 2D Laser Scanner Readings, Proc. 16th Int. Symp. on Measurement and Control in Robotics, Warszawa 2007. s. 203-214.
• [23] Smith R., Self M., Cheeseman P., Estimating Uncertain Spatial Relationships in Robotics, w: Autonomonus Robot Vehicles, red. I. Cox, G. Wilfong, Berlin, Springer 1990, s. 167-193.
• [24] Vandorpe J., Van Brussel H., Xu H., Exact Dynamic Map Building for a Mobile Robot using Geometrical Primitives Produced by a 2D Range Finder, w: Proc. IEEE Int. Conf. on Robot. and Automat., Minneapolis 1996, s. 901-908.
• [25] Wang H., Suter D., Robust Adaptive-Scale Parametric Model Estimation for Computer Vision, IEEE Trans. on Pattern Anal. and Machine Intell, 2004, 26(11), s. 1459-1474.