Reasoning on the whole structure of buildings using a logical relational learning framework

Semantic mapping for autonomous mobile robots includes the place classification task that associates semantic labels (like ‘corridor’ or ‘office’) to rooms perceived in an environment. The mainstream approaches are characterized by local reasoning, where only features relative to the neighbourhood of each room are considered in the process of classification. In this thesis, we propose a method that enables global reasoning on the whole structure of buildings. We use a statistical relational learning framework, called kLog. We represent each floor of a building as a graph, where each node is a room and is associated to a set of features and to a semantic label and edges represent doorways. We provide software tools to create realistic datasets, based on real-world floor plans. We assess the utility of our approach in three applications: semantic labeling of rooms, classification of entire floors of buildings, and validation of simulated datasets. The last two applications cannot be easily addressed by classical local semantic mapping methods. In this thesis we demonstrate that the three tasks are achievable using our global approach.

Il mapping semantico nell’ambito della robotica mobile autonoma coinvolge la classificazione di ambienti. Essa consiste nell’associare un’etichetta semantica (come ‘corridoio’ o ‘ufficio’) alle stanze visitate da un robot. Gli approcci più diffusi si basano su un ragionamento locale, in cui solo le caratteristiche di alcune stanze limitrofe sono considerate ai fini della classificazione di una stanza. In questa tesi, proponiamo un metodo che permette di ragionare globalmente sulle intere strutture degli edifici. Usiamo un framework di apprendimento logico e relazionale chiamato kLog. Rappresentiamo ogni piano di un edificio come un grafo, dove ogni nodo è una stanza, a cui sono associati un insieme di caratteristiche geometriche e una etichetta semantica, e ogni arco è un collegamento diretto tra due stanze. Forniamo degli strumenti software per creare dataset realistici, basati su planimetrie di edifici realmente esistenti. Valutiamo l’utilità del nostro approccio in tre applicazioni: l’etichettatura semantica di stanze, la classificazione di intere planimetrie di edifici e la validazione di dataset simulati. Le ultime due applicazioni non sono facilmente affrontabili utilizzando i metodi classici di mapping semantico, basati su un approccio locale. In questa tesi dimostriamo che i tre problemi sono risolvibili usando il nostro approccio globale.