Sonar EKF-SLAM and mapping in an structured underwater environment

Abstract

En av de store utfordringene for autonome undervans farkoster idag er navigering i lengre perioder uten og g˚a opp til overflaten for og korrige posisjons estimatione ved hjelp av GNSS. En ny teknikk som kan være i stand til og løse dette problemet er direkte oversatt til norsk simultan lokalisering og kartlegging(SLAM). Det har vært flere undervanns SLAM metoder foresl˚att med varierende resultat. En av utfordringene i et undervanns miljø er nødvendigheten av og benytte sonar istedenfor kamera eller lidar som fungerer d˚arlig i vann. Selve utfordringen kommer fra at det er vanskelig og finne robuste landemerker med sonar da utsende p˚a et objekt vil variere mye basert p˚a synsvinkelen. I denne rapporten er en EKFSLAM algoritme som benytter en fremover pekende bilde sonar implementert og sammenlignet med en state-of-the-art EKF. Algoritmen benytter en modifisert Hugh Transform for og hente ut linjer fra sonar skannene som blir brukt som landemerker. Datasettene algortimene blir testet p˚a er samlet under tre forkjellige eksperiment i et innendørs basseng, og tar for seg hvordan de to metodene h˚andterer lineær bevegelse, mye rotasjon og estimering over en 20 minutters periode. Resultaet viste at EKF-SLAMen og EKF fungerte like bra som hverandre under linær bevegelse og under mye rotasjon. Det var derimot merkbar forkjell under 20 minutters testen, der klarte EKF-SLAM og eliminere det meste av driften EKF algoritmen bygde opp. I dette eksperimentet endte EKF en opp med en absolutt error p˚a 2.5 meter etter 20 minutter, mens EKF-SLAM sin absolutt error var p˚a under 0.5 meter. I tillegg til state estimeringen EKF-SLAM gjenomfører finner den ogs˚a landemerker som kan settes inn i et kart. I denne rapporten blir det forsl˚att et eksperiment for og direkte konvertere camera-pixler til sonar vinkler ved og samle et dataset og s˚a tilpasse et tredje grads polynom til datasettet. M˚alet med denne mappingen er og sette inn objekter som blir funnet i kamera bilde inn i kartet som blir skapt av SLAM algoritmen. En prototype av denne mappingen ble implmentert og testet i en simulert verden. Denne testen ga positive resultater, og vidre utvikling kan vurders.

One of the major problem of autonomous underwater vehicles(AUV) today are navigation for substantial periods of time without resurfacing to correct positional estimates with the Global Navigation Satellite System(GNSS). One technique that may be able to solve this problem is simultaneously localization and mapping(SLAM). There have been multiple underwater SLAM methods proposed with varying results. One of the challenges in the underwater environment is the necessity to use sonars instead of cameras and lidars due to their limitations in an underwater environment. The challenge with sonar is to find a robust feature extraction as objects imprint on the scan changes a lot based on point of view. In this report an EKF-SLAM algorithm utilizing a forward pointing imaging sonar is implemented and compared to a state-of-the-art EKF. The algorithm takes advantage of an modified hough-transform to extract line features from the sonar scans which are used as features. The dataset the algorithms are tested on was collected during three different experiments in an indoor pool examining how the two navigation methods compared in linear-motion, heavy rotations and over a 20 minute period. The results showed that the EKF-SLAM had performance on par with the EKF during linear-motion and heavy rotations. However, on the 20 minute bag the EKF-SLAM algorithm was able to almost completely eliminate the drift that occurs over time in the EKF. In that experiment the EKF ended up having an absolute positional error of 2.5 meters after 20 minutes, while the absolute error of the EKF-SLAM was below 0.5 meters. In addition to the state-estimation done by EKF-SLAM it also locates landmarks that can be placed into a map. In this report an experimental mapping between camera pixels and sonars by fitting a dataset to a polynomial are proposed. The purpose of this mapping is to insert objects found in a camera frame into the map created by the SLAM algorithm. A prototype of the mapping was tested in a simulated world. The test gave good results, and future development could be considered.