Extending ROS SLAM toolbox graph-SLAM with visual fiducial markers

A mobile robot that builds the map of an unknown environment while correctly localizing inside it, without relying on external reference systems, deals with the so-called Simultaneous Localization and Mapping (SLAM) problem. This problem has been thoroughly analyzed in recent years, and many different approaches were proposed to obtain an optimal solution. Nonetheless, given the intrinsic complexity of the problem and its several applications, there is still space for improvements, especially from the engineering side. SLAM Toolbox represents one of the most promising software for performing SLAM within the open-source framework Robot Operating System (ROS). SLAM Toolbox implements a graph-based SLAM approach with laser scans capable of operating efficiently in massive, dynamic environments. The contribution of this thesis consists of the definition of an extended pose-graph that includes pose information coming from visual fiducial markers detected using a camera. This proposed extension aims at increasing the robustness of the non-linear least squares optimization of the pose-graph itself. Furthermore, this thesis introduces a modified version of SLAM Toolbox to demonstrate that the proposed extension to the pose-graph improves the solution to the SLAM problem. In particular, the modified SLAM Toolbox has the capability to detect AprilTag visual fiducial markers and integrate their position into the pose-graph together with the laser scan poses. A series of experiments performed on a simulator and a real robot show that the modified version of SLAM Toolbox proposed in this work has better performances than the original one. These experiments demonstrate that extending the pose-graph with visual fiducial markers improves the quality of the solution of a graph-based SLAM problem.

Il problema relativo alla costruzione della mappa di un ambiente sconosciuto e della contemporanea localizzazione di un agente autonomo al suo interno, senza l’ausilio di sistemi di riferimento esterni, è definito Simultaneous Localization and Mapping (SLAM). Negli ultimi anni l’attenzione nei confronti di questo problema è stata molto alta e molteplici approcci sono stati proposti per ottenere soluzioni ottime, ma dato l’alto livello di complessità del problema stesso e dei numerosi casi applicativi, c’è ancora spazio per miglioramenti, soprattutto sul fronte ingegneristico. Uno degli approcci più promettenti al problema SLAM per robot autonomi è rappresentato dal software SLAM Toolbox per la piattaforma robotica open-source Robot Operating System (ROS). Questo software utilizza un approccio SLAM basato sul grafo delle posizioni con scansioni laser che permette di effettuare SLAM in ambienti molto grandi e dinamici. Il contributo di questa tesi consiste nella definizione di una estensione del grafo delle posizioni al fine di integrare informazioni provenienti da marcatori fiduciali riconosciuti tramite una telecamera. Lo scopo di tale estensione è quello di rendere più robusta la formulazione del problema di ottimizzazione dei minimi quadrati non lineari su cui si poggia questo tipo di sistemi SLAM. Per dimostrare che l'estensione proposta al grafo delle posizioni migliora la qualità della soluzione del problema SLAM, questa tesi propone una versione modificata di SLAM Toolbox che integra la capacità di riconoscere marcatori fiduciali del tipo AprilTag e di includere le posizioni di questi marcatori nell’elaborazione insieme alle scansioni laser. Una serie di esperimenti svolti con un simulatore e con un robot reale hanno evidenziato come la versione modificata di SLAM Toolbox presentata in questa tesi abbia delle prestazioni migliori rispetto alla versione originale. Questo dimostra che la fusione di marcatori fiduciali nel grafo delle posizioni proposta in questa tesi rende qualitativamente migliore la soluzione del problema SLAM.