Pose Uncertainty Aware Mobile Robot Navigation

Abstract

In recent years, robotics has emerged as a transformative force, changing how we approach everyday activities to improve our comfort and productivity. Robotics technologies continuously push the boundaries of what can be solved autonomously, thereby improving our lives. Service robots such as autonomous vacuum cleaners and lawn mowers are well established in the market, while the automation of factory logistics and automated driving are up-and-coming areas with significant robotics impact. To be a successful product, a robot must solve a real-world problem autonomously and efficiently. For mobile robots that primarily interact with the world by moving, the main task is often navigation, which encompasses the technologies required to drive robustly and solve a problem for the user. Robot navigation in real-world applications is challenging because robustness and performance requirements conflict with the cost-minimization imperative. Thus, to perform a real service to the user, a robot must perform its task in potentially adverse conditions without compromising safety or requiring constant human intervention. <br/>

In this thesis, we address the problem of robot navigation in real-world scenarios motivated by the Bosch Indego autonomous lawn mower. Our goal is to enable robots with cheaper sensor sets to navigate effectively in challenging garden environments despite significant sensing and actuation noise. These uncertainties are particularly pronounced in the lawn-mowing scenario due to uneven terrain, featureless areas, and the need for the robot to operate cost-effectively. We handle those uncertainties in three fundamental building blocks of robot navigation. First, we consider the localization problem. Localization is particularly important for mobile robots, as it allows the use of a single coordinate frame to represent the robot's position and the environment, enabling the robot to move with a purpose. Our localization method generates accurate pose estimates in diverse environments recorded with different sensors, while requiring only little compute. Nevertheless, robots with cheap sensors operating in complex conditions, such as autonomous lawn mowers, cannot always precisely know where they are. Their ability to remain well-localized varies significantly across different regions of their workspace. Accounting for this variation in localization quality directly motivates our second contribution, which addresses how robots should plan their motion in such situations to ensure safety and robustness. Our method estimates which areas of the workspace are particularly informative or feature-poor, and exploits this information during the path planning process. Our point-to-point path planning method is fast, computationally lightweight, and efficiently accounts for the uncertainty in sensing and actuation. Beyond point-to-point path planning, we also introduce a method that leverages the localizability information for coverage path planning. This problem is central to autonomous lawn mowers as it computes a trajectory to cover the entire workspace with the end effector. Our approach leverages the expected localization accuracy in the environment to plan paths where the robot can localize well, thus improving the robustness of the coverage path and overall system performance. <br/>

Taken together, the contributions outlined in this thesis provide novel solutions to localization and planning under uncertainty. All parts of this thesis have been published in peer-reviewed proceedings of international conferences. We have implemented our approaches in efficient C++ and deployed them on robots.

Die Robotik hat sich in den letzten Jahren als transformative Technologie etabliert und unser Leben spürbar verändert. Die Verbesserung der Lebensqualität durch autonome Staubsauger oder Rasenmäher ist nicht mehr aus unserem Alltag wegzudenken. Die Produktivitätsgewinne durch Intralogistikroboter und autonome Fahrzeuge prägen unsere Produktionsstätten und unsere Produktionsweise. Um als Produkt erfolgreich zu sein, müssen Roboter reale Probleme autonom und effizient lösen. Mobile Roboter interagieren mit der Welt hauptsächlich mittels ihrer eigenen Bewegung, auch Navigation genannt. Sie ist eine besondere Herausforderung für reale Anwendungen da Verlässlichkeit, Autonomie und Leistung oft im Gegensatz zur Kosteneffizienz stehen. Ein brauchbarer Roboter darf auch unter widrigen Bedingungen die Sicherheit nicht gefährden oder ständige menschliche Eingriffe erfordern und muss dennoch seine Aufgabe zuverlässig erledigen. <br/>

In dieser Arbeit behandeln wir das Problem der Roboternavigation in realen Szenarien, die wir durch den Anwendungsfall des Bosch Indego Rasenmähers illustrieren. Unser Ziel ist es, Roboter mit kostengünstigen Sensorsätzen zu befähigen, effektiv in herausfordernden Umgebungen zu navigieren. Bewegungsunsicherheiten treten im Rasenmähszenario besonders deutlich in Form von unebenem Gelände, merkmalsarmen Bereichen und dem allgemeinen Zwang zur Kosteneffizienz auf. Wir behandeln diese Unsicherheiten im Rahmen von drei grundlegenden Bausteinen der Roboternavigation: Lokalisierung, Punkt-zu-Punkt-Pfadplanung und flächendeckende Pfadplanung. Lokalisierung ist für Navigation besonders bedeutsam, da sie ein spezifisches Koordinatensystem für den Roboter und seiner Umgebung berechnet und somit zielgerichtete Bewegungen ermöglicht. Unsere Lokalisierungsmethode erzielt genaue Positionsschätzungen in diversen Umgebungen und benötigt dafür nur wenig Rechenleistung. Dennoch können Roboter, die mit günstigen Sensoren unter komplexen Bedingungen agieren, nicht überall sicher und genau wissen, wo sie sich befinden. Die Berücksichtigung der räumlichen Veränderung der Lokalisierungsqualität ist die direkte Motivation für unseren zweiten Beitrag, der sich damit befasst, wie Roboter ihre Bewegung in solchen Umgebungen planen sollten um Sicherheit und Robustheit zu gewährleisten. Unsere Methode plant Pfade, die die erwartete Unsicherheit in der Lokalisierung explizit berücksichtigen und verbessert somit die Navigation des Roboters. Hierfür schätzen wir ab, welche Teile des Arbeitsbereichs besonders informativ oder merkmalsarm sind und nutzen diese Informationen für den Pfadplanungsprozess. Unsere Punkt-zu-Punkt-Pfadplanungsmethode ist schnell, recheneffizient und generiert sicherheitsbewusste Pfade für den Roboter. Über die Punkt-zu-Punkt-Pfadplanung hinaus führen wir eine Methode ein, die die Lokalisierbarkeitsinformation für das flächendeckende Bahnplanungsproblem nutzt. Dieses Problem ist für den Rasenmäher zentral, da es eine Trajektorie berechnet, die den gesamten Arbeitsbereich mit dem Endeffektor abdeckt. Unser Ansatz nutzt auch hier die erwartete Lokalisierungsgenauigkeit in der Umgebung, um Pfade zu planen, auf denen sich der Roboter gut lokalisieren kann, und verbessert somit die Robustheit der flächendeckenden Bahnplanung. <br/>

Zusammengenommen bieten die in dieser Dissertation skizzierten Beiträge neuartige Lösungen für Lokalisierung und Planung unter Unsicherheit. Alle Teile dieser Arbeit wurden in begutachteten Berichten auf internationalen Konferenzen veröffentlicht. Wir haben unsere Ansätze in effizientem C++ implementiert und auch auf Robotern eingesetzt.