Random Finite Sets for Robot Mapping and SLAM: New Concepts in Autonomous Robotic Map Representations

الگوریتم‌های ساخت نقشه و مکان‌یابی همزمان (SLAM) که بر بردارهای تصادفی برای نمایش اندازه‌گیری‌های حسگر و نقشه‌های ویژگی متکی هستند، در حضور تشخیص ویژگی و عدم قطعیت ارتباط داده‌ها بسیار شکننده هستند. بنابراین مفاهیم جدیدی برای نمایش نقشه های مستقل در این کتاب، بر اساس مجموعه های محدود تصادفی (RFS) ارائه شده است. نشان داده خواهد شد که نمایش RFS ضرورت ارتباط داده های شکننده و روال های مدیریت نقشه را حذف می کند. این روش اساساً با رویکردهای مبتنی بر برداری متفاوت است زیرا نه تنها حالت‌های فضایی ویژگی‌ها، بلکه تعداد ویژگی‌های نقشه را که از میدان دید حسگر(های) روبات عبور کرده‌اند، تخمین می‌زند، ویژگی که برای SLAM ضروری است.

این کتاب همچنین نشان می‌دهد که در SLAM، اندازه‌گیری معتبر خطای تخمین نقشه حیاتی است. نشان داده خواهد شد که تحت یک نمایش RFS-SLAM، یک متریک سازگار، که هم تعداد ویژگی و هم خطاهای مکانی را می سنجد، می تواند تعریف شود.

مفاهیم نمایش نقشه RFS با آزمایش های SLAM مستقل همراه است. در محیط های شهری و دریایی مقایسه‌های RFS-SLAM با روش‌های مبتنی بر بردار پیشرفته، همراه با پیاده‌سازی شبه کدهای تمام تکنیک‌های RFS ارائه شده ارائه شده است.

جان مولان مدرک B.E.E را دریافت کرد. مدرک از دانشگاه کالج کورک، ایرلند، و مدرک دکترا از دانشگاه فناوری نانیانگ (NTU)، سنگاپور.

Ba-Ngu Vo استاد وینتروپ و رئیس پردازش سیگنال، دانشگاه استرالیای غربی (UWA) است. او مدارک لیسانس مشترک (علوم و مهندس انتخاب)، UWA و دکترا را از دانشگاه کرتین دریافت کرد.

مارتین آدامز، استاد تحقیقات روباتیک خودمختار، دانشگاه شیلی. او دارای مدرک کارشناسی، کارشناسی ارشد و دکترا از دانشگاه آکسفورد است.

Ba-Tuong Vo استادیار دانشگاه UWA است. او کارشناسی، کارشناسی ارشد و دکتری خود را دریافت کرد. درجه از UWA.

Simultaneous Localisation and Map (SLAM) building algorithms, which rely on random vectors to represent sensor measurements and feature maps are known to be extremely fragile in the presence of feature detection and data association uncertainty. Therefore new concepts for autonomous map representations are given in this book, based on random finite sets (RFSs). It will be shown that the RFS representation eliminates the necessity of fragile data association and map management routines. It fundamentally differs from vector based approaches since it estimates not only the spatial states of features but also the number of map features which have passed through the field(s) of view of a robot's sensor(s), an attribute which is necessary for SLAM.

The book also demonstrates that in SLAM, a valid measure of map estimation error is critical. It will be shown that under an RFS-SLAM representation, a consistent metric, which gauges both feature number as well as spatial errors, can be defined.

The concepts of RFS map representations are accompanied with autonomous SLAM experiments in urban and marine environments. Comparisons of RFS-SLAM with state of the art vector based methods are given, along with pseudo-code implementations of all the RFS techniques presented.

John Mullane received the B.E.E. degree from University College Cork, Ireland, and Ph.D degree from Nanyang Technological University (NTU), Singapore.

Ba-Ngu Vo is Winthrop Professor and Chair of Signal Processing, University of Western Australia (UWA). He received joint Bachelor degrees (Science and Elec. Eng.), UWA, and Ph.D., Curtin University.

Martin Adams is Professor in autonomous robotics research, University of Chile. He holds bachelors, masters and doctoral degrees from Oxford University.

Ba-Tuong Vo is Assistant Professor, UWA. He received his B.Sc, B.E and Ph.D. degrees from UWA.