Detection statistics & random finite sets in simultaneous localization and mapping

Abstract

El uso de conjuntos aleatorios finitos (RFS) en la construcción de mapas y localización si- multánea (SLAM) permite incorporar estadı́sticas de detección y evitar las heurı́sticas de manejo del mapa y asociación de datos, incluyendo estos problemas en la estimación Bayesiana. Esta tesis tiene dos objetivos: Incluir modelos de estadı́sticas de detección más precisos y modelos de descriptores en algoritmos de SLAM basadas en RFS, e introducir un algoritmo de SLAM basado en RFS que utilice un enfoque de optimización. El primero se cumple modelando las estadı́sticas de detección y un descriptor de un detector de cı́rculos para LIDAR 2D. Estos modelos se aplican a Rao-Blackwellized (RB)-probability hypothesis density (PHD)-SLAM y multiple hypothesis (MH)-factored solution to SLAM (FastSLAM), ambos algoritmos muestran mejor desempeño al usar los modelos propuestos. El segundo objetivo se cumple al proponer una distribución hı́brida conjunto-vector, que se usa para proponer un algoritmo de SLAM que aprovecha el enfoque de optimización. Resultados de simulación y usando datos públicos de cámaras estéreo muestran un desempeño competitivo con los algoritmos del estado del arte, mientras que resuelven el problema de asociación de datos usando el teorema de Bayes.