| Sažetak | This thesis focuses on autonomous exploration using aerial vehicles. An autonomous exploration and mapping process is one of the fundamental tasks of robotics. Exploration methods can be used in both 2D and 3D space. In contrast to 2D exploration and mapping strategies, mapping large environments in 3D requires a large amount of memory and computational effort. Therefore the fastest possible generation of a complete 3D map and autonomous navigation of a robot through the map is a challenging task. This task is used in many applications, such as civil infrastructure or search and rescue scenarios. Additionally, a great challenge is running the exploration and mapping onboard an unmanned aerial vehicle (UAV). The main objective of this thesis is to develop 3D autonomous exploration strategies capable of meeting the above challenges, and at the same time be adequate for both large and cluttered unknown environments. In those environments, a UAV should navigate autonomously without any a priori knowledge of the environment.
The goal of autonomous exploration is to explore an unknown environment trying to optimize time, distance or energy consumption, to name a few. The environment is initially unknown and bounded. The exploration is considered done when the whole environment is explored and the map of the environment is created. The exploration strategies are designed with a focus on enabling a UAV to navigate autonomously and make real-time decisions. As already mentioned, the primary objective of this research is to develop innovative methods for autonomous 3D exploration in unknown environments, specifically tailored to operate online and onboard robots with limited computational and energy resources. While current methods in the field show promise in scaling to various environment sizes and complexities, a significant gap remains in their applicability for 3D exploration, particularly when constrained to onboard processing capabilities. Addressing this gap, this research introduces three novel methods designed to efficiently manage the dense datasets produced by advanced sensors, applicable across diverse 3D environments, and executable in real time on robotic platforms.
The first method involves using submaps to find frontiers, along with refining those frontiers at multiple resolutions. This technique is engineered to identify and prioritize unexplored areas (frontiers) within a 3D space, adapting its resolution to effectively balance details of the environment and computational load. By dividing the environment into manageable submaps, the system can swiftly update and refine its understanding of the surroundings, guiding the robot to areas of interest. The second method employs a sampling-based approach, leveraging a Recursive Shadowcasting algorithm. This algorithm is pivotal for the efficient estimation of information gain, a crucial factor in determining whether it is worth exploring a specific area. By recursively analyzing the environment for unobserved regions, this method directs the robot towards locations that maximize the acquisition of new information, ensuring an effective exploration process. In addition to these, semantic information about the environment is integrated into the exploration process. This integration enhances the understanding of the environment, allowing robots to make more informed decisions about where to explore next. The semantic layer adds context to the raw spatial data, enabling the robot to recognize and prioritize areas of potential interest or importance. Each method focuses on rapidly calculating information gain and selecting the most beneficial next exploration goal, thereby optimizing the exploration process. The methods are not only novel in their approach but also in their efficiency, ensuring that even robots with limited resources can execute them effectively.
To verify the effectiveness and robustness of these methods, a series of tests are conducted, both in controlled simulations and in real-world scenarios. These include experiments in simulations to test specific functionalities, as well as in indoor and outdoor environments to test the performance of the system under more complex conditions. It is important to emphasize that the tests in real-world scenarios are carried out directly on the UAV with limited resources. The results of this thesis contribute to advancing the field of autonomous aerial exploration, offering robust, adaptable, and efficient methodologies for 3D mapping and exploration in a variety of challenging environments. |
| Sažetak (hrvatski) | Ova disertacija fokusira se na autonomno istraživanje prostora pomoću zračnih bespilotnih letjelica. U sklopu ove disertacije, ciljana podskupina bespilotnih letjelica su višerotorske letjelice. Proces autonomnog istraživanja i kartiranja prostora jedan je od osnovnih zadataka robotike. Metode istraživanja prostora mogu se koristiti u dvodimenzionalnom (2D) i trodimenzionalnom (3D) prostoru. Za razliku od istraživanja prostora i strategija kartiranja prostora u 2D okruženju, izrada 3D karte prostora velikih okruženja zahtijeva veliku količinu memorije i računalnih resursa. Stoga je brza izrada potpune 3D karte prostora i autonomna navigacija robota kroz kartu izazovan zadatak. Ovaj zadatak koristi se u mnogim primjenama, kao u inspekciji infrastrukture ili u scenarijima potrage i spašavanja. Dodatni izazov je izvođenje autonomnog istraživanja i izgradnja karte prostora na bespilotnoj letjelici s ograničenim resursima. Glavni cilj ove doktorske disertacije je razvoj strategija autonomnog 3D istraživanja prostora sposobnih za suočavanje s navedenim izazovima, koje su istovremeno prikladne za velika i složena okruženja. U takvim okruženjima, bespilotna letjelica bi se trebala navigirati autonomno ne znajući unaprijed informacije o okruženju.
Cilj autonomnog istraživanja je istražiti nepoznato okruženje pokušavajući optimizirati na primjer vrijeme istraživanja, prijeđeni put ili potrošnju energije. Okruženje je na početku nepoznato, a veličina okruženja je unaprijed definirana. Istraživanje prostora smatra se potpunim u trenutku kada je istraženo cjelokupno okruženje i kada je izrađena karta prostora. Strategije istraživanja prostora implementirane su s ciljem da omoguće bespilotnoj letjelici autonomnu navigaciju i donošenje odluka u stvarnom vremenu. Kao što je spomenuto, cilj ovog istraživanja je razvoj metoda za autonomno 3D istraživanje nepoznatih prostora koje može izvoditi robot s ograničenim resursima. Dosad razvijene metode pokazuju zadovoljavajuće performanse s obzirom na zadanu veličinu prostora te mogu istražiti kako okruženja velikih tako i malih dimenzija. Međutim, neke od njih nisu prikladne za istraživanje 3D prostora. Može se reći da dosad razvijene metode u ovom području pokazuju potencijal te se odlikuju skalabilnošću. To je posebno istaknuto u prilagodbi istih složenim i velikim prostorima. Međutim, značajan nedostatak je u primjeni postojećih metoda u istraživanju 3D prostora u stvarnom vremenu koristeći bespilotne letjelice. Stoga se predlažu tri metode za autonomno istraživanje prostora koje mogu obrađivati guste i velike skupove podatakaa, koje su prikladne za sve vrste 3D prostora i mogu se izvršavati na sklopovlju robota.
Prva metoda temelji se na detekciji fronte na osnovu podkarte prostora u kombinaciji s filtriranjem točaka fronte višerezolucijskim pristupom. Ova tehnika osmišljena je za identificiranje granice istraženog i neistraženog 3D prostora (fronte) i prilagodbu rezolucije točaka fronte za učinkovitu ravnotežu između razine detalja objekata u okolini prikazanih u karti prostora i računalnog opterećenja. Dijeljenjem okruženja na podkarte željene veličine, sustav može brzo osvježiti cjelokupnu kartu prostora te time ubrzati detekciju fronte. Druga metoda koristi pristup temeljen na uzorkovanju u kojem se pomoću algoritma brzorastućih slučajnih stabala generiraju čvorovi u 3D prostoru. Generirani čvorovi evaluiraju se koristeći rekurzivni algoritam bacanja sjene. Ovaj algoritam ključan je za učinkovitu procjenu informacijske dobiti. Predložena metoda usmjerava robota prema pozicijama koje maksimiziraju otkrivanje novog prostora.Treća metoda temelji se na integraciji semantičkih značajki okoline u proces istraživanja prostora. Predložena integracija osigurava razumijevanje značajki iz okoline, omogućujući robotu da donose informiranije odluke o tome kamo se dalje kretati dok istražuje prostor. Drugim riječima, semantički sloj dodaje kontekst geometrijskim podatcima prostora zapisanim u karti prostora. Na taj način daje se prednost područjima u čijoj se blizini nalaze objekti od interesa. Sve metode u središte pozornosti stavljaju brzo izračunavanje informacijske dobiti i odabir najbolje sljedeće ciljne točke, optimizirajući time proces istraživanja prostora. Metode su inovativne te osiguravaju učinkovito istraživanje 3D prostora robotima s ograničenim resursima.
Kako bi se potvrdila učinkovitost i robustnost ovih metoda, provodi se niz ispitivanja, kako u kontroliranom simulacijskom okruženju tako i u stvarnim okruženjima. To uključuje ispitivanje u simulacijskom okruženju za testiranje specifičnih funkcionalnosti i u vanjskim ili unutarnjim stvarnim okruženjima za procjenu izvedbe sustava u složenijim uvjetima. Testiranje strategija na stvarnom robotu s ograničenim resursima je u isto vrijeme jedan od najvažnijih dijelova disertacije. Rezultati ove disertacije doprinose napretku u području autonomnog zračnog istraživanja prostora, nudeći robustne, prilagodljive i učinkovite metode za 3D kartiranje i istraživanje prostora u različitim izazovnim okruženjima. |
