High Accuracy of Robotic Localization using Three-Layered Pose Estimation

Abstract

In this paper, the development of three-layered pose estimation is proposed. Localization is importance in mobile robotics. However, there are nonlinear noise in the real environment that affect the the accuracy of robotic localization. To solve the problem, a three-layered pose estimation is presented in this thesis.

First, the Unscented Kalman Filter (UKF) is used as the first filter. UKF takes data from IMU as observation and robot wheel odometry as the process model. In this algorithm, sigma points are generated with specific weights for each one. Thanks to the unscented transform technique, sigma points get through the process model in the predict step. In the update step, sigma points update measurements from the sensor after being converted into measurement space. The pose estimation can be computed by using formulas for the mean and covariance of sigma points.

Secondly, the Adaptive Monte Carlo Localization (AMCL) is presented as the second filter. The main idea of AMCL is based on the particle filter that is origin from Monte Carlo Localization. Particles are generated randomly as an initial estimation. In localization, each of the particles is a probable pose of the robot. In the predict step, particles also get through the process model to predict the next state. Then particles' weight should be updated in response to the measurement. Particles or poses with high weight or firm belief will be kept and duplicated, while low weight particles will be discarded in the resampling step. The number of particles is fixed in the MCL method, but AMCL can vary the number of particles that save computational resources. The critical idea in the particle filter is importance sampling that helps weight particles. Because the weight of particle depends on a proposal distribution, the wheel odometry in the traditional method, a new proposal distribution is presented the Gaussian distribution from the output of UKF fusing IMU and wheel odometry.

Thirdly, the Laser Odometry is introduced as the third filter. Due to laser range inaccuracy and algorithmic flaws, the created grid map may diverge significantly from the actual map. To summarize, the precision of the AMCL-generated posture estimation is not always sufficient for inspect missions. To increase the accuracy of the posture estimation, we adjust the pose once more with scan matching.

As a result, the performance of the proposed method was verified through an experiment in the ROS and Gazebo environment. As a result, the three-layered pose is more accurate than standalone methods or hybrid method UKF-AMCL. Finally, future studies will aim to implement real robots in indoor and outdoor environments.|본 논문에서는 3계층 포즈 추정의 개발을 제안한다. 모바일 로봇 공학에서 위치추정은 중요하다. 그러나 실제 환경에는 로봇 위치추정의 정확도에 영향을 미치는 비선형 노이즈가 있다. 이 문제를 해결하기 위해, 이 논문은 3계층 포즈 추정을 제시한다. 첫째, 첫 번째 필터로 Unscented Kalman Filter (UKF)가 사용된다. UKF는 IMU의 데이터를 관측 자료로, 로봇 바퀴 주행 기록계를 프로세스 모델로 사용한다. 이 알고리즘에서 시그마 포인트는 각각에 대한 특정 가중치로 생성된다. Unscented transform 기술 덕분에 시그마 점은 예측 단계에서 프로세스 모델을 통과한다. 업데이트 단계에서 시그마 포인트는 측정 공간으로 변환된 후 센서에서 측정값을 업데이트한다. 포즈 추정은 시그마 포인트의 평균과 공분산에 대한 공식을 사용하여 계산할 수 있다. 둘째, Adaptive Monte Carlo Localization (AMCL)이 두 번째 필터로 제시된다. AMCL의 주요 아이디어는 몬테카를로 지역화에서 비롯된 입자 필터에 기초한다. 입자는 초기 추정으로 무작위로 생성된다. 위치 선정에서 각 입자는 로봇의 포즈일 가능성이 있다. 예측 단계에서 입자는 다음 상태를 예측하기 위해 프로세스 모델을 통과한다. 그런 다음 측정에 따라 입자의 가중치를 업데이트해야 한다. 가중치가 높거나 확실한 정보를 가진 입자 또는 포즈는 보관 및 복제되는 반면 가중치가 낮은 입자는 재샘플링 단계에서 폐기된다. 입자의 수는 MCL 방식으로 고정되지만, AMCL은 계산 자원을 절약하는 입자의 수를 변화시킬 수 있다. 입자 필터의 핵심 아이디어는 가중치 입자를 돕는 중요도 샘플링이다. 입자 중량은 제안 분포, 전통적인 방법의 휠 주행 거리 측정에 의존하기 때문에, 새로운 제안 분포는 IMU와 휠 주행 거리 측정을 융합한 UKF의 출력으로부터 가우스 분포를 제시한다. 셋째, 세 번째 필터로는 레이저 주행 기록계를 소개한다. 레이저 범위 부정확성과 알고리즘 결함으로 인해 생성된 그리드 맵이 실제 맵에서 크게 벗어날 수 있다. 요약하자면, AMCL이 생성한 자세 추정의 정밀도가 검사 임무에 항상 충분한 것은 아니다. 자세 추정의 정확도를 높이기 위해 스캔 매칭으로 자세를 한 번 더 조정한다. 그 결과, 제안된 방법의 성능은 실험을 통해 검증되었다. ROS와 Gazebo 환경에서. 결과적으로, 3겹 포즈는 독립형 방식이나 하이브리드 방식인 UKF-AMCL보다 더 정확하다. 마지막으로, 향후 연구는 실내외 환경에서 실제 로봇을 구현하는 것을 목표로 할 것이다.