Although much progress has been made in the field of robotic mapping, many challenges remain including: efficient semantic segmentation using RGB-D sensors, map representations that include complex features (structures and objects), and interfaces for interactive annotation of maps. This thesis addresses how prior knowledge of semi-structured human environments can be leveraged to improve segmentation, mapping, and semantic annotation of maps. We present an organized connected component approach for segmenting RGB-D data into planes and clusters. These segments serve as input to our mapping approach that utilizes them as planar landmarks and object landmarks for Simultaneous Localization and Mapping (SLAM), providing necessary information for service robot tasks and improving data association and loop closure. These features are meaningful to humans, enabling annotation of mapped features to establish common ground and simplifying tasking. A modular, open-source software framework, the OmniMapper, is also presented that allows a number of different sensors and features to be combined to generate a combined map representation, and enabling easy addition of new feature types.

Topological maps are light-weight, graphical representations of environments that are scalable and amenable to symbolic manipulation. Thus, they are well- suited for basic robot navigation applications, and also provide a representational basis for the procedural and semantic information needed for higher-level robotic tasks. However, their widespread use has been impeded in part by the lack of reliable, general purpose algorithms for their construction. In this dissertation, I present a probabilistic framework for the construction of topological maps that addresses topological ambiguity, is failure-aware, computa- tionally efficient, and can incorporate information from various sensing modalities. The framework addresses the two major problems of topological mapping, namely topological ambiguity and landmark detection. The underlying idea behind overcoming topological ambiguity is that the com- putation of the Bayesian posterior distribution over the space of topologies is an effective means of quantifying this ambiguity, caused due to perceptual aliasing and environment variability. Since the space of topologies is combinatorial, the posterior on it cannot be computed exactly. Instead, I introduce the concept of Probabilistic Topological Maps (PTMs), a sample-based representation that ap- proximates the posterior distribution over topologies given the available sensor measurements. Sampling algorithms for the efficient computation of PTMs are described. The PTM framework can be used with a wide variety of landmark detection schemes under mild assumptions. As part of the evaluation, I describe a novel landmark detection technique that makes use of the notion of "surprise" in mea- surements that the robot obtains, the underlying assumption being that landmarks are places in the environment that generate surprising measurements. The com- putation of surprise in a Bayesian framework is described and applied to various sensing modalities for the computation of PTMs. The PTM framework is the first instance of a probabilistic technique for topo- logical mapping that is systematic and comprehensive. It is especially relevant for future robotic applications which will need a sparse representation capable of accomodating higher level semantic knowledge. Results from experiments in real environments demonstrate that the framework can accomodate diverse sensors such as camera rigs and laser scanners in addition to odometry. Finally, results are pre- sented using various landmark detection schemes besides the surprise-based one.

Na robótica, mapear o ambiente é tarefa importante, porque ela oferece informação para o planejamento e execução de movimentos do robô. Por este motivo, aqui são apresentados estudos que visam a construção de mapas 3-D e técnicas que auxiliam na tarefa de mapeamento. Quando são construídos mapas 3-D, é habilitado para outros pesquisadores e empresas de robótica a desenvolverem trabalhos de análise e planejamento de trajetórias em todos os seis graus de liberdade do corpo rígido que serve para modelar um robô móvel, robô manipulador ou robô móvel manipulador. Com uma representação do ambiente em 3-D, é aumentada a precisão do posicionamento do robô em relação ao ambiente e também o posicionamento de objetos que estão inseridos no campo de atuação do robô. Para solucionar o problema de mapeamento são apresentadas técnicas teóricas e suas aplicações em cada caso estudado. Nos experimentos realizados neste trabalho foi adotada a criação de mapas com grids (malhas) de ocupação. Vale lembrar, no entanto, que a construção de mapas por malhas de ocupação pressupõe o conhecimento do posicionamento do robô no ambiente. Neste trabalho foram conduzidos três experimentos e seus objetivos são redução de dados provenientes de falhas e redundâncias de informação com utilização de técnicas probabilísticas, detecção de movimento através da técnica de extração de fundo e mapeamento 3-D utilizando a técnica de ponto mais próximo. No experimento cujo o objetivo é reduzir os dados, foi possível reduzir para 4,43% a quantidade de pontos necessários para gerar a representação do ambiente com a utilização do algoritmo deste trabalho. O algoritmo de mapeamento 3-D feito com uso de modelos probabilísticos bem estabelecidos e disponíveis na literatura tem como base a probabilidade de eventos independentes e a proposta do trabalho envolvendo probabilidade a posteriori. O experimento de detecção de movimento foi gerado com a utilização da openCV e a tecnologia CUDA e utilizam a técnica do modelo de mistura gaussiana (GMM), foi analisado o tempo de processamento desempenhado por cada implementação e a qualidade do resultado obtido. Para obter uma representação precisa do ambiente foi conduzido o experimento que utiliza técnica iterativa do ponto mais próximo (ICP), para realização foi utilizado o sensor de movimento Kinect e os resultados apresentados não foram satisfatórios devido ao volume de dados adquiridos e a ausência de um sistema de estimativa da localização. / In robotics, map the environment is an important task, because it provides information for planning and executing movements of the robot. For this reason, studies presented here are aimed to build 3-D maps and techniques that aid in the task of mapping. When we build 3-D maps, we enable other researchers and robotics companies to develop analyzes and path planning in all six degrees of freedom rigid body that serves to model a mobile robot, manipulator or mobile robot manipulator.With a representation of the environment in 3-D, we increase the accuracy of the robot positioning in relation to the environment and also the positioning of objects that are inserted into the field of action of the robot. To solve the problem of mapping we presented theoretical techniques and their applications in each case studied.In the experiments in this work we adopted the creation of maps with grids of occupation. However, building grids of occupation assumes knowledge of the position of the robot on the environment.In this work we conducted three experiments and their aims are the reduction of data from failures and redundant information using probabilistic techniques, motion detection by background extraction technique and 3-D mapping technique using the closest point. In the experiment whose goal is to reduce the data has been further reduced to 4.43% the number of points required to generate the representation of the environment with the use of our algorithm.The algorithm of 3-D mapping done with probabilistic models available and well established in the literature is based on the probability of independent events and the proposed work involving the posterior probability.The motion detection experiment was performed with the use of openCV and CUDA technique using the Gaussian mixture model (GMM),and we analyzed the processing time and the quality of each implementation result.For an accurate representation of the environment was conducted the experiment using the technique of iterative closest point (ICP) was used to perform the motion sensor Kinect and the results were not satisfactory due to the volume of data acquired and the absence of a system location estimate.

Na robótica, mapear o ambiente é tarefa importante, porque ela oferece informação para o planejamento e execução de movimentos do robô. Por este motivo, aqui são apresentados estudos que visam a construção de mapas 3-D e técnicas que auxiliam na tarefa de mapeamento. Quando são construídos mapas 3-D, é habilitado para outros pesquisadores e empresas de robótica a desenvolverem trabalhos de análise e planejamento de trajetórias em todos os seis graus de liberdade do corpo rígido que serve para modelar um robô móvel, robô manipulador ou robô móvel manipulador. Com uma representação do ambiente em 3-D, é aumentada a precisão do posicionamento do robô em relação ao ambiente e também o posicionamento de objetos que estão inseridos no campo de atuação do robô. Para solucionar o problema de mapeamento são apresentadas técnicas teóricas e suas aplicações em cada caso estudado. Nos experimentos realizados neste trabalho foi adotada a criação de mapas com grids (malhas) de ocupação. Vale lembrar, no entanto, que a construção de mapas por malhas de ocupação pressupõe o conhecimento do posicionamento do robô no ambiente. Neste trabalho foram conduzidos três experimentos e seus objetivos são redução de dados provenientes de falhas e redundâncias de informação com utilização de técnicas probabilísticas, detecção de movimento através da técnica de extração de fundo e mapeamento 3-D utilizando a técnica de ponto mais próximo. No experimento cujo o objetivo é reduzir os dados, foi possível reduzir para 4,43% a quantidade de pontos necessários para gerar a representação do ambiente com a utilização do algoritmo deste trabalho. O algoritmo de mapeamento 3-D feito com uso de modelos probabilísticos bem estabelecidos e disponíveis na literatura tem como base a probabilidade de eventos independentes e a proposta do trabalho envolvendo probabilidade a posteriori. O experimento de detecção de movimento foi gerado com a utilização da openCV e a tecnologia CUDA e utilizam a técnica do modelo de mistura gaussiana (GMM), foi analisado o tempo de processamento desempenhado por cada implementação e a qualidade do resultado obtido. Para obter uma representação precisa do ambiente foi conduzido o experimento que utiliza técnica iterativa do ponto mais próximo (ICP), para realização foi utilizado o sensor de movimento Kinect e os resultados apresentados não foram satisfatórios devido ao volume de dados adquiridos e a ausência de um sistema de estimativa da localização. / In robotics, map the environment is an important task, because it provides information for planning and executing movements of the robot. For this reason, studies presented here are aimed to build 3-D maps and techniques that aid in the task of mapping. When we build 3-D maps, we enable other researchers and robotics companies to develop analyzes and path planning in all six degrees of freedom rigid body that serves to model a mobile robot, manipulator or mobile robot manipulator.With a representation of the environment in 3-D, we increase the accuracy of the robot positioning in relation to the environment and also the positioning of objects that are inserted into the field of action of the robot. To solve the problem of mapping we presented theoretical techniques and their applications in each case studied.In the experiments in this work we adopted the creation of maps with grids of occupation. However, building grids of occupation assumes knowledge of the position of the robot on the environment.In this work we conducted three experiments and their aims are the reduction of data from failures and redundant information using probabilistic techniques, motion detection by background extraction technique and 3-D mapping technique using the closest point. In the experiment whose goal is to reduce the data has been further reduced to 4.43% the number of points required to generate the representation of the environment with the use of our algorithm.The algorithm of 3-D mapping done with probabilistic models available and well established in the literature is based on the probability of independent events and the proposed work involving the posterior probability.The motion detection experiment was performed with the use of openCV and CUDA technique using the Gaussian mixture model (GMM),and we analyzed the processing time and the quality of each implementation result.For an accurate representation of the environment was conducted the experiment using the technique of iterative closest point (ICP) was used to perform the motion sensor Kinect and the results were not satisfactory due to the volume of data acquired and the absence of a system location estimate.