Have I explored enough? A deep learning method for stopping robot exploration

We consider the task of exploration for map building, in which an autonomous mobile robot explores an unknown indoor environment with the purpose of building its 2D map. Most exploration strategies stop the exploration only when the entire environment has been observed. However, during the final stages of exploration, the robot generally discovers areas of the environment that add little information to the final map, but require a lot of time to be observed. Empirically, these events can take up to 70% of the total time required for exploration, while resulting in a small gain for the robot in terms of acquired knowledge. In this thesis, we propose an alternative stopping criterion to map exploration called Early Stopping, which, instead of stopping exploration when the entire environment has been observed, stops exploration when all the remaining unexplored parts of the environment are sufficiently small and scattered to be considered irrelevant. Early Stopping uses a Convolution Neural Network to identify when a map can be considered as de-facto explored, without requiring any prior knowledge on the environment. Our experimental results show that Early Stopping is able to significantly reduce the exploration time with negligible visible loss to the completeness of the final map.

In questo lavoro di tesi consideriamo il task di esplorazione da parte di un robot mobile autonomo di un ambiente indoor inizialmente sconosciuto al fine di ricostruirne la mappa 2D. La maggior parte delle strategie di esplorazione arresta l’esplorazione quando l’intero ambiente è stato osservato. Tuttavia, nelle fasi finali di esplorazione, il robot tende a scoprire aree dell’ambiente che aggiungono poca informazione alla mappa finale, ma che richiedono una grande quantità di tempo per essere osservate. Raggiungere tali aree rimanenti può richiedere fino al 70% del tempo totale di esplorazione. In questa tesi proponiamo un metodo di terminazione alternativo chiamato Early Stopping, che arresta l’esplorazione quando tutta la parte dell’ambiente di interesse del robot è esplorata. Early Stopping utilizza una rete neurale convoluzionale per identificare una mappa esplorata, senza richiedere alcuna conoscenza pregressa sull’ambiente considerato. I nostri risultati sperimentali dimostrano che Early Stopping è in grado di diminuire significativamente i tempi di esplorazione con minima riduzione della completezza della mappa finale.