Protecting collaborative SLAM through reputation mechanisms

Multi-robot systems already constitute the backbone of many modern robotics applications, from warehouse maintenance to self-driving cars, and have the potential to impact other fields, including search and rescue and planetary exploration. These applications involve a team of robots executing a coordinated task in an unknown or partially known environment and require the robots to have a shared understanding of the environment and their location within it. SLAM (Synchronous Localization And Mapping) enables one or more robot to build a map of the environment while localizing themselves within it. After decades of studies that led to robust and efficient single robot SLAM systems, recent attention has shifted to collaborative multi-robot SLAM, where the agents cooperate in order to achieve a consistent global map by exchanging local information. Multi-robot SLAM provides valuable opportunities for enhanced efficiency, robustness, and parallelization. However, it also poses significant challenges related to scalability and data consistency. Recent studies showed that the robustness of a multi-robot systems can be compromised in the presence of even a single misbehaving or malicious robot that share false information with the other agents. Specifically, in a collaborative SLAM scenario, corrupted information can lead to the creation of an incorrect map. This thesis studies the robustness of a state-of-the-art framework for multi-robot SLAM called Swarm-SLAM. Following a recent study that first posed a protection layer on Swarm-SLAM, I show that the system is still vulnerable to the presence of certain types of misbehaving robots (which are called Byzantine robots in the literature) that can act on different sections of the framework. Inspired by recent studies on blockchain-based swarm robotics, I demonstrate that blockchain technology can enhance the robustness of a multi-robot SLAM system by enabling the rejection of incorrect information and the identification of Byzantine robots. Therefore I create a second protection layer for swarm-SLAM developing a reputation mechanism to penalise Byzantine robots that I test with a set of simulations using a variable number of robots. Through this reputation mechanism the accuracy of the map is improved in comparison with the solution returned by the unprotected swarm-SLAM. This work also explores the physical implementation of swarm-SLAM, highlighting the practical challenges faced during real-world deployment, particularly hardware limitations associated with the use of low-cost robots typical of swarm-robotics.

I sistemi multi-robot costituiscono già oggi la base di molte applicazioni robotiche moderne, dalla gestione dei magazzini ai veicoli autonomi, e hanno il potenziale per influenzare anche altri settori, come le operazioni di ricerca e soccorso o l’esplorazione planetaria. Queste applicazioni prevedono l’impiego di un gruppo di robot impegnati in un compito coordinato in un ambiente sconosciuto o parzialmente noto, e richiedono che i robot condividano una comprensione comune dell’ambiente e della propria posizione al suo interno. La tecnica SLAM (Synchronous Localization And Mapping) consente a uno o più robot di costruire una mappa dell’ambiente e allo stesso tempo di localizzarsi al suo interno. Dopo decenni di ricerca che hanno portato allo sviluppo di sistemi SLAM per un singolo robot robusti ed efficienti, l’attenzione si è recentemente spostata sulla SLAM collaborativa multi-robot, in cui gli agenti cooperano per ottenere una mappa globale coerente attraverso lo scambio di informazioni locali. La SLAM multi-robot offre importanti opportunità in termini di efficienza, robustezza e parallelizzazione. Tuttavia, presenta anche sfide significative legate alla scalabilità e all’integrazione coerente di dati potenzialmente in conflitto. Studi recenti hanno dimostrato che la robustezza dei sistemi multi-robot può essere compromessa in presenza di robot malfunzionanti o malevoli, in grado di diffondere informazioni errate agli altri agenti. In particolare, in scenari di SLAM collaborativa, informazioni corrotte possono portare alla creazione di mappe non corrette. Questa tesi analizza la robustezza di un framework all’avanguardia per la SLAM 3D multi-robot chiamato swarm-SLAM. A partire da un recente studio che ha introdotto un primo livello di protezione in swarm-SLAM, mostro come il sistema sia ancora vulnerabile alla presenza di uno o più robot malevoli o malfunzionanti (noti in letteratura come robot bizantini) che possono agire su diverse componenti del framework. Inoltre, ispirandomi a recenti studi sulla robotica a sciame basata su blockchain, dimostro come la tecnologia blockchain possa migliorare la robustezza di un sistema multi-robot permettendo il rifiuto di informazioni errate e l’identificazione dei robot bizantini. A tal fine, ho sviluppato un secondo livello di protezione per swarm-SLAM, basato su un meccanismo di reputazione che penalizza i robot bizantini, testandone l’efficacia attraverso una serie di simulazioni con un numero variabile di robot. attraverso questo sistema di reputazione l’accuratezza della mappa generata è migliore rispetto alla soluzione ottenuta senza nessun livello di protezione. Questo lavoro esplora anche l’implementazione fisica di swarm-SLAM, mettendo in evidenza le sfide pratiche incontrate durante lo sviluppo nel mondo reale, in particolare le limitazioni hardware legate all’uso di robot a basso costo tipici della robotica a sciame.