Analysing the use of Semantic Information and Probabilistic Data Association for Cooperative Underwater SLAM

Abstract

Autonome Undervannsfartøyer (AUV-er) har revolusjonert kartlegging av hav- bunnen ved å gi en plattform som bringer sensorene nærmere havbunnen. Dette har gitt bilder av havbunnen med høyere kvalitet og muligheter til å utforske nye deler av havet. Kvaliteten på kartleggingen er avhengig av nøyaktig navigasjon, noe som er vanskelig undervann på grunn av manglende tilgang på GPS. Dead reckoning er den vanligste metoden for undervannsnavigasjon, men denne metoden fører til en ubegrenset vekst i usikkerheten til estimatet. Samtidig Lokalisering og Kartlegging (SLAM) er en potensiell løsning for undervannsnavigasjon og det er dokumentert at å bruke SLAM kan begrense veksten i usikkerheten til posisjons estimatet uten bruk av GPS.

Nylige har det blitt vist at flere AUV-er som samarbeider om SLAM kan gi bedre resultater. AUV-ene kan dele observasjoner av landemerker og avstandsmålinger mellom hverandre, noe som kan brukes for å forbedre navigasjonen for den enkelte AUV betraktelig. Koordinert SLAM er et vanskelig problem i undervannsmiljøer på grunn av sterke kommunikasjons begrensninger. Data assosiasjon av landemerke-målinger er en viktig del av ethvert SLAM-system og data assosiasjon er spesielt vanskelig for koordinert SLAM siden vi må assosiere målinger fra forskjellige AUVer under kommunikasjons begrensninger.

I denne oppgaven er en metode for data assosiasjon i forbindelse med koordinert undervanns SLAM utviklet og testet. Metoden er basert på nylig utviklede metoder for robust data assosiasjon og bruk av semantisk informasjon. Hovedantakelsen for metoden er at semantisk informasjon fra klassifisering algoritmer kan bli delt mellom AUV-ene innenfor begrensningene til undervannskommunikasjon. Oppgaven undersøker nytten av å bruke semantisk informasjon for å forbedre data assosiasjonen. I tillegg blir metoden for koordinert undervanns SLAM evaluert, hvor problemer relatert til skalerbarhet og robusthet er fremhevet.

Autonomous Underwater Vehicles (AUVs) have revolutionized the field of seafloor surveying with their ability to move the sensors closer to the seafloor, giving higher quality imaging and access to new areas of the ocean. High-quality imaging of the seafloor requires accurate navigation, which is difficult underwater due to no access to GPS. Dead reckoning is the most common approach to underwater navigation, but this suffers an unbound growth in the uncertainty of the estimate. Simultaneous Localization and Mapping (SLAM) is a potential solution to the problem as it has shown to be able to bound the growth in position error in GPS denied environments.

Recently it has been shown that multiple AUVs cooperatively performing SLAM can improve navigation. Multiple AUVs can share estimates and ranging measurements among them, improving the individual position estimates considerably. Cooperative SLAM is a difficult problem underwater due to severe communication constraints. Reliable data association is an important part of any SLAM system and performing data association between agents under communication constraints is difficult.

In this thesis, a method for performing data association in a cooperative SLAM framework for AUVs is designed, developed, and tested. The method is based on recent advancements within robust data association and the use of semantic information. The main assumption underlying the scheme is that semantic information can be shared within the limitations of the underwater communication channels. The thesis thus investigates the usefulness of employing semantic information for the purpose of improving data association. Additionally, the work evaluates the effectiveness of the cooperative SLAM framework for AUVs, especially investigating and highlighting issues related to scalability and robustness.