Исследовательская группа

Лаборатория алгоритмов мобильных роботов

Конструктор SLAM алгоритмов для ROS

Руководитель проекта: Кирилл Кринкин
Статус: Активный

Цель проекта

  • создание фреймворка, который выступает в качестве конструктора SLAM-алгоритмов (исследователь должен сам соединить доступные компоненты и добавить необходимые модификации, запустить инструменты профилирования и оценки характеристик);
  • реализация полного набора базовых компонентов, которые могут быть собраны в самые общие (фундаментальные) SLAM-алгоритмы;
  • создание инфраструктуры и инструментов для отладки и анализа SLAM-алгоритмов;
  • создание сервиса по управлению наборами данных SLAM (преобразование, хранение, предоставление и пр.).

Среда

Все разрабатываемое программное обеспечение должно работать в Linux и Robot Operating System. (Проведенное нами предварительное исследование широкого спектра существующих инструментов и сред, таких как MTK, MRPT и других, показало, что выбор ROS является наиболее перспективным)

Текущие задачи

  • поддержка компонентов для графических SLAM-методов;
  • реализация дополнительных scan matchers для лазерных SLAM;
  • поддержка расширенного набора датчиков и измерений (3D-сканирование, моно/стерео камеры);
  • реализации verdant stereo vision;
  • сервис наборов данных SLAM;
  • ROS SLAM Testing Farm (виртуальная, основанная на контейнерах среда для полуавтономного тестирования SLAM-алгоритмов).

Участники

Публикации

  • An. Filatov, Ar. Filatov, K. Krinkin, B. Chen, D. Molodan

    SLAM (Simultaneous Localization and mapping) is one of the most challenging problems for mobile platforms and there is a huge amount of modern SLAM algorithms. The choice of the algorithm that might be used in every particular problem requires prior knowledge about advantages and disadvantages of each algorithm. This paper presents the approach for comparison of SLAM algorithms that allows to find the most accurate one. The accent of research is made on 2D SLAM algorithms and the focus of analysis is 2D map that is built after algorithm performance. Three metrics for evaluation of maps are presented in this paper