Data-driven ground truth free tuning of an augmented Monte Carlo localization method for urban scenarios

Leveraging mobile robots in last-mile delivery is a highly promising research direction that is attracting growing interest among logistics and mobility companies. However, providing robust localization in outdoor urban environments is still an unsolved problem. In more detail, the popular algorithm Adaptive Monte Carlo demonstrates good performance provided that an appropriate tuning is available. However, little documentation has been produced concerning the tuning problem, with the result that such a task is still mostly performed by trial-and-error. Furthermore, lack of effective non-expensive ground truth acquisition techniques makes the aforementioned problem even more complex. In this paper, we propose a novel offline tuning method for AMCL algorithm based on black-box approach Bayesian Optimization that does not need a complete ground truth. The tuning is performed on three experimental data files recording urban crossroad laps of a ground drone employed in last-mile delivery. Results are then discussed and validated on a separate set of data.

L'impiego di robot mobili in servizi di consegna a domicilio è una direzione di ricerca estremamente promettente, che negli ultimi anni ha guadagnato l'interesse sia del mondo della logistica che della mobilità alternativa. Tuttavia, l'implementazione di un sistema di localizzazione in grado di fornire adeguate performance di robustezza e precisione in ambiente urbano rimane tutt'oggi un problema irrisolto, ostacolando quindi lo sviluppo di tali servizi su larga scala. In particolare, il ben noto algoritmo chiamato Adaptive Monte Carlo Localization (AMCL) ha dimostrato un'ottima resa in contesti indoor, purché propriamente tarato. Eppure, ad oggi la documentazione disponibile circa il problema della taratura di AMCL è alquanto limitata, con il risultato che l'approccio trial-and-error è ancora il più adottato, nonostante l'ingente richiesta in termini di tempo di esecuzione e la scarsa ottimalità. Inoltre, il problema della taratura in ambiente outdoor presenta ulteriori problemi nell'acquisizione del ground truth, dal momento che le tecniche maggiormente utilizzate in indoor tra cui, ad esempio, il motion capture, risultano costose, se non del tutto impraticabili, in questo contesto. Questa dissertazione propone quindi un nuovo metodo di taratura offline di AMCL basato sull'approccio di ottimizzazione black-box chiamato Ottimizzazione Bayesiana che non richiede l'acquisizione di un ground truth completo. La taratura viene effettuata su tre file contenenti dati sperimentali raccolti da un drone di terra impiegato in servizi di last-mile delivery, telecomandato lungo i quattro attraversamenti pedonali di un incrocio tra due strade della città di Milano. I risultati sperimentali verranno poi discussi e validati su un set di dati separato.