Multi-object metrics for robotic map evaluation and data registration

Abstract

En mapeo robótico y en Simultaneous Localization And Mapping (SLAM), la capacidad de evaluar la calidad de los mapas estimados es crucial. Aunque existen conceptos para cuantificar el error en la trayectoria estimada de un robot, o en un subconjunto de caracteristicas del mapa estimado, rara vez se considera conjuntamente la diferencia entre todas las estimaciones y el ground truth. En la literatura de tracking, la métrica Optimal Sub-Pattern Assignment (OSPA) proporciona una solución a este problema. A pesar de sus ventajas sobre otras métricas, la métrica OSPA tiene algunas limitaciones en mapeo robótico. Por lo tanto, la primera componente de esta tesis introduce la métrica Cardinalized Optimal Linear Assignment (COLA), para la evaluación de mapas robóticos. Además, la segunda componente de esta tesis amplía el uso de las metricas multi-objeto al problema del registro de nubes de puntos, el cual es una componente crucial en muchas aplicaciones, incluyendo la estimación del movimiento de los sensores sensor y la reconstrucción 3D. Los resultados de esta tesis demuestran que la métrica COLA es fiable para evaluar mapeo robótico y SLAM. Además, la métrica COLA mejora el registro de nubes de puntos abordando conjuntamente los errores espaciales y de cardinalidad.

In robotic mapping and Simultaneous Localization And Mapping (SLAM) the ability to assess the quality of estimated maps is crucial. While concepts exist for quantifying the error in the estimated trajectory of a robot, or a subset of the estimated feature locations, the difference between all current estimated and ground-truth features is rarely jointly considered. The Optimal Sub-Pattern Assignment (OSPA) metric provided a solution to the problem of assessing target tracking algorithms. Despite its advantages over other metrics when gauging multi-target tracking errors, the OSPA metric has some limitations when applied to robotic mapping errors. Therefore, the first component of this thesis introduces the Cardinalized Optimal Linear Assignment (COLA) metric, as a complement to the OSPA metric, for feature map evaluation Further, the point cloud registration problem is addressed as an application of multi-object metric concepts. Therefore, the second component of this thesis extends the application of multi-object metrics to the fundamental research problem of point cloud data registration for sensor motion estimation and 3D reconstruction. The results of this thesis demonstrate that the COLA metric is reliable for evaluating robotic mapping and SLAM. Also, the COLA metric improves point cloud registration by jointly addressing spatial and cardinality errors.