MARC

 008250123s2024        us                              c    eng  d
■001000017163857
■00520250211152802
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798384494294
■035    ▼a(MiAaPQ)AAI31556640
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a629.8
■1001  ▼aAsgharivaskasi,  Arash.
■24510▼aDistributed  Multi-Robot  Active  OcTree  Mapping
■260    ▼a[Sl]▼bUniversity  of  California,  San  Diego▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a173  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  86-04,  Section:  B.
■500    ▼aAdvisor:  Atanasov,  Nikolay.
■5021  ▼aThesis  (Ph.D.)--University  of  California,  San  Diego,  2024.
■520    ▼aMany  real-world  mobile  robot  applications,  such  as  disaster  response,  military  reconnaissance,  and  environmental  monitoring,  require  operating  in  unknown  and  unstructured  environments.  This  calls  for  algorithms  that  empower  robots  with  active  information  gathering  capabilities  in  order  to  autonomously  and  incrementally  build  a  model  of  an  environment.  In  this  dissertation,  we  present  a  novel  3-D  multi-class  online  mapping  approach  using  a  stream  of  range  and  semantic  segmentation  observations.  Moreover,  we  derive  a  closed-form  expression  for  the  Semantic  Shannon  Mutual  Information  (SSMI)  between  our  proposed  map  representation  and  a  sequence  of  future  sensor  observations.  Using  an  octree  data  structure,  we  reduce  the  memory  footprint  of  the  map  storage  for  large-scale  environments,  while  simultaneously  accelerating  the  computation  of  mutual  information.  This  allows  real-time  integration  of  new  sensor  measurements  into  the  map,  and  rapid  evaluation  of  candidate  future  sensor  poses  for  exploration.  Additionally,  we  introduce  a  differentiable  approximation  of  the  Shannon  mutual  information  between  grid  maps  and  ray-based  measurements,  enabling  gradient-based  occlusion  and  collision-aware  active  mapping.  The  gradient-based  active  mapping  in  the  continuous  space  of  sensor  poses  reduces  the  optimization  complexity  from  exponential  in  the  number  of  robots  to  linear,  paving  the  way  for  extension  from  a  single  agent  to  a  team  of  robots.  We  formulate  multi-robot  exploration  as  a  combination  of  multi-robot  mapping  and  multi-robot  planning,  where  both  sub-problems  are  specified  as  an  instance  of  multi-agent  Riemannian  optimization.  We  propose  a  general  distributed  Riemannian  optimization  algorithm  that  solves  both  mapping  and  planning  in  fully  decentralized  manner.  Our  method,  named  Riemannian  Optimization  for  Active  Mapping  (ROAM),  enables  distributed  collaborative  multi-robot  exploration,  with  only  point-to-point  communication  and  no  central  estimation  and  control  unit.  Lastly,  we  deploy  our  active  mapping  method  on  a  team  of  ground  wheeled  robots  in  both  simulation  and  real-world  environments,  and  compare  its  performance  with  other  autonomous  exploration  approaches.
■590    ▼aSchool  code:  0033.
■650  4▼aRobotics
■650  4▼aElectrical  engineering
■650  4▼aComputer  engineering
■653    ▼aActive  mapping
■653    ▼aDistributed  optimization
■653    ▼aMulti-robot  systems
■653    ▼aRiemannian  manifolds
■653    ▼aVision-based  planning
■690    ▼a0771
■690    ▼a0800
■690    ▼a0544
■690    ▼a0464
■71020▼aUniversity  of  California,  San  Diego▼bElectrical  and  Computer  Engineering.
■7730  ▼tDissertations  Abstracts  International▼g86-04B.
■790    ▼a0033
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17163857▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

Preview

Export

ChatGPT Discussion

AI Recommended Related Books