Conditionally independent visual slam with integrated bundle adjustment

The problem of Simultaneous Localization and Mapping (SLAM) regards the estimation of the pose of an observer (usually a robot) from sensor observations (i.e., local measurements), while creating, at the same time, a consistent map of the observed environment. Visual SLAM aims at the solution of the SLAM problem with the use of visual sensors, i.e., cameras, only. In this thesis we worked on the development of a multicamera SLAM system able to operate in real time, on large environments with a generic number of cameras.The underlying methodology is the well known EKF-SLAM (Extended Kalman Filter SLAM) algorithm, but we introduced numerous improvements. First of all, we deeply reviewed the parameterizations for monocular SLAM presented in the literature, highlighting some properties that allow to reduce their computational complexity. Moreover, two new parameterizations have been introduced and their differences with previous parameterizations have been analyzed. A multicamera Visual SLAM system has been developed leveraging on monocular measurements, and allowing the definition of a flexible system in which cameras are treated independently, and, possibly, with reduced overlapping fields of view. The Conditionally Independent (CI) Submapping Framework is introduced in the system to treat large scale problem. Properties of this system are deeply investigated, bringing to light problems with ill conditioned matrices. To comply with these issues we reformulated the EKF SLAM algorithm in the Hybrid Indirect EKF SLAM form, were two common approaches to the Indirect EKF estimation (a.k.a. Error State EKF) are combined. As a final contribution, we developed a technique which allows to refine each submap of the CI-SLAM system with a Bundle Adjustement (BA) optimization. Optimized submaps are then reinserted in the CI-SLAM submaps collection, allowing the continuation of the estimation process. Extensive tests and analysis have been performed on simulated environments and on real datasets.

Il problema del Simultaneous Localization and Mapping (SLAM) riguarda la stima della pose (posizione e orientamento) di un osservatore (solitamente un robot) a partire da osservazioni sensoriali (i.e., da misure locali), contemporaneamente alla creazione di una mappa consistente dell'ambiente osservato. Il problema del Visual SLAM, in particolare, si riferisce alla soluzione dello SLAM con l'uso di solo sensori visivi, i.e., camere. Questa tesi riguarda lo sviluppo di un sistema SLAM multi-camera capace di operare in real-time, su larga scala (i.e., in ambienti indoor/outdoor) con un generico numero di camere. La metodologia sottostante è il ben noto algoritmo EKF-SLAM (Extended Kalman Filter SLAM), al quale sono state introdotte numerose migliorie. Come primo contributo, in questa tesi si presenta una approfondita revisione delle parametrizzazioni per lo SLAM monoculare presenti in letteratura, evidenziandone alcune proprietà che permettono di ridurre la complessità computazionale. Inoltre, si introducono due nuove parametrizzazioni e le loro differenze con le parametrizzazioni già presentate sono analizzate approfonditamente. Il sistema di Visual SLAM multi-camera è stato sviluppato a partire da misure monoculari, permettendo la definizione di un sistema flessibile in cui le camere sono trattate indipendentemente e, possibilmente, con una ridotta sovrapposizione dei field-of-view. Il framework di Conditionally Independent (CI) Submapping è stato introdotto nel sistema al fine di poter trattare problemi su larga scala, grazie alla suddivisione dell'intera mappa in sottomappe collegate tra loro. Le proprietà del sistema realizzato sono state studiate approfonditamente e sono state portate alla luce criticità che riguardano la generazione di matrici mal condizionate. Per ovviare a queste problematiche, l'algoritmo di EKF-SLAM è stato riformulato nell'algoritmo Hybrid Indirect EKF SLAM, dove due approcci comuni al filtraggio indiretto, conosciuto anche come filtraggio Error State, sono stati combinati. Un ultimo contributo di questo lavoro ha riguardato lo sviluppo di una tecnica che permette di raffinare la stima di ogni singola sottomappa del sistema CI-SLAM con una ottimizzazione di tipo Bundle Adjustement (BA). Le sottomappe ottimizzate sono quindi reinserite nella collezione di mappe mantenuta dal framework CI-SLAM, permettendo così la continuazione del processo di stima. Sono stati condotti test estensivi e analisi approfondite sia in ambienti simulati che su dataset reali.