Semantic labeling of places with mobile robots [Elektronische Ressource] / Óscar Martínez Mozos

Sujets

• Informatik

Informations

• Publié par: albert-ludwigs-universitat_freiburg
• Publié le: 01 janvier 2008
• Nombre de lectures: 21
• Langue: Deutsch
• Poids de l'ouvrage: 2 Mo

Extrait

Dissertation zur Erlangung des Doktorgrades
der Fakultät für Angewandte Wissenschaften der
Albert-Ludwigs-Universität Freiburg im Breisgau
Semantic Labeling of Places
with Mobile Robots
Óscar Martínez Mozos
Betreuer: Prof. Dr. Wolfram BurgardDekan der Fakultät für Angewandte Wissenschaften:
Prof. Dr. Bernhard Nebel
Gutachter:
1. Prof. Dr. Wolfram Burgard
Albert-Ludwigs-Universität Freiburg, Freiburg, Deutschland.
2. Prof. Dr. Aleš Leonardis
Univerza v Ljubljani, Ljubljana, Slowenien.
Tag der Disputation: 04.07.2008Zusammenfassung
Innenumgebungen können normalerweise in Orte verschiedener Funktionalität un-
terteilt werden, wie etwa Korridore, Räume oder Türdurchgänge. Die Fähigkeit
solch semantische Kategorien aus Sensordaten zu lernen, ermöglicht einem Robo-
ter die Umgebungsrepräsentation zu erweitern und seine Fertigkeiten zu verbessern.
So können beispielsweise natürlichsprachliche Ausdrücke, wie etwa Korridor oder
Raum, dazu verwendet werden um die Position des Roboters in einer intuitiveren
Weise mitzuteilen. Andere Aufgaben, wie Exploration oder Lokalisierung, kön-
nen durch den Roboter ebenfalls besser bewältigt werden, wenn dabei semantische
Informationen berücksichtigt werden.
In dieser Doktorarbeit wird ein Verfahren vorgestellt, das einem mobilen Ro-
boter ermöglicht, verschiedenen Orten in Innenumgebungen semantische Kate-
gorien zuzuordnen und die Umgebungsrepräsentation durch diese Information zu
erweitern. Die Kernidee dabei ist, die Position des Roboters durch die aktuellen
Beobachtungen des Roboters zu klassifizieren. Die Beobachtungen, die wir in
der vorliegenden Arbeit nutzen werden, sind die Abstandsmessungen eines Laser-
scanners. Aus jedem Scan wird eine Menge von Merkmalen extrahiert, welche
Informationen über die geometrischen Eigenschaften des Ortes an dieser Position
tragen. Der Scan wird dann aufgrund dieser Merkmale in die entsprechende se-
mantische Kategorie eingeteilt. Das Ergebnis der Klassifikation ist eine Wahr-
scheinlichkeitsverteilung über der Menge möglicher semantischer Klassen. Diese
wahrscheinlichkeitstheoretische Darstellung erlaubt es uns weitere probabilistische
Techniken einzusetzen, um die Klassifikation zu verbessern, und somit die An-
zahl an Fehlern zu verringern. Wir werden auch eine Erweiterung des Verfahrens
vorstellen, die es dem Roboter ermöglicht andere Beobachtungsmodalitäten, wie
etwa Kamerabilder, in den Klassifikationsprozess zu integrieren.
Zusätzlich stellen wir in dieser Arbeit verschiedene Anwendungen des obi-
gen Verfahrens im Bereich der Robotik vor. Zunächst werden wir zeigen, wie wir
semantische Informationen dazu verwenden können, topologische Karten von In-
nenumgebungen zu erstellen. In einer zweiten Anwendung stellen wir eine Meth-
ode vor, welche die übergänge zwischen verschiedenen Orten in Betracht zieht,
um die Trajektorie eines mobilen Roboters zu klassifizieren. Zudem kann durch
Berücksichtigung semantischer Information die von einem Roboter benötigte Zeit
für Explorations- und Lokalisierungsaufgaben verringert werden. Die vorliegende
Arbeit wird solche Verbesserungen aufzeigen. Schließlich stellen wir die seman-tische Klassifikation als Teil eines Robotersystems vor, das dazu ausgelegt ist, mit
Menschen in natürlicher Sprache zu kommunizieren.Summary
Indoor environments can typically be divided into places with different function-
alities like corridors, rooms or doorways. The ability to learn such semantic cat-
egories from sensor data enables a mobile robot to extend the representation of
the environment, and to improve its capabilites. As an example, natural language
terms like corridor or room can be used to communicate the position of the robot
in a more intuitive way. Other tasks, like exploration or localization, can also be
carried out by the robot in a better way when semantic information is taken into
account.
In this thesis, we present a method that enables a mobile robot to classify the
different places of indoor environments into semantic classes, and then use this in-
formation to extend its representations of the environments. The main idea is to
classify the position of the robot based on the current observations taken by the
robot. In this work, we use as main observations the scans obtained from a laser
range sensor. Each scan is represented by a set of features that encode the geomet-
rical properties of the current position. These features are then used to classify the
scan into the corresponding semantic class. The output of the classification is rep-
resented by a probability distribution over the set of possible semantic classes. This
probabilistic representation permits us to apply further probabilistic techniques to
improve the final classification, reducing the number of errors. We also present
an extension which enables the robot to include other types of observations in the
classification, like camera images.
This work additionally introduces several applications of the previous approach
in different robotic tasks. First, we will show how the semantic information can be
used to extract topological maps from indoor environments. In a second appli-
cation, we present a method that incorporates transitions between different places
when classifying a trajectory taken by a mobile robot. It will also be shown that the
semantic information can reduce the time needed by the robot in exploration and
localization tasks. Finally, we present the semantic classification of places as part
of an integrated robotic system designed for interacting with humans using natural
language.Acknowledgments
I would like to thank all the people who made this thesis possible.
First of all, I would like to thank Prof. Wolfram Burgard for giving me the
opportunity to work in his research group. I must admit that this was one of the
most useful experiences I have ever had.
Many thanks to Prof. Aleš Leonardis for accepting being my co-supervisor. I
really appreciate his interest in my work.
The research presented in this work was carried out under the support of the EU
project CoSy. Many thanks to all the researches involved in this project. Special
mention to Hendrik Zender and Patric Jensfelt for some very long days preparing
demos.
During my stay at the Autonomous Intelligent Systems research lab I had the
opportunity to work with many people. Thanks to Cyrill Stachniss for his help
during my first steps in the lab, and for his contributions to this thesis. To Axel
Rottmann for being also a very good contributor (and for lending me his mixer).
Thanks to Rudolph Triebel who contributed not only to my thesis, but also to my
German (and sometimes to my Spanish as well). Christian Plagemann, Jürgen
Sturm and Daniel Meyer-Delius: thanks for the good atmosphere while sharing
the very bright office room 1015 with me. And thanks to Kai Arras for being so
friendly when collaborating with me.
Many other students and colleagues joint the lab during these last years: Patrick,
Barbara, Kai, Boris, Basti, Reiner, Hauke, Dominik, Malu, Giorgio, Slawomir.
Some others left: Maren, Dirk. I think all of them deserve my gratitude.
It is not easy for a Spaniard like me to live six years in Germany...and stay
alive. Many thanks to all the friends I met in Freiburg.
And finally, although a little bit far away, many many thanks to my friends in
Spain who always give me a very warm welcome when I visit them.
Mama, papa, hermano y resto de familia, por supuesto que vosotros sois los
más importantes.To my family and friends
A mi familia y amigos