<p>Simultaneous Localisation And Mapping SLAM-problemet är ett robotikproblem som består av att låta en robot kartlägga ett tidigare okänt område, och samtidigt lokalisera sig i den skapade kartan. Det här exjobbet presenterar ett försök till en lösning på SLAM-problemet som fungerar i konstant tid i en urban miljö. En sådan lösning måste hantera en datamängd som ständigt ökar, utan att beräkningskomplexiteten ökar signifikant.</p><p>Ett informationsfilter på fördröjd tillståndsform används för estimering av robotens trajektoria, och kamera och laseravståndssensorer används för att samla spatial information om omgivningarna längs färdvägen. Två olika metoder för att detektera loopslutningar föreslås. Den första är bildbaserad och använder Tree of Words för jämförelse av bilder. Den andra metoden är laserbaserad och använder en tränad klassificerare för att jämföra laserscans. När två posar, position och riktning, kopplats samman i en loopslutning beräknas den relativa posen med laserscansinriktning med hjälp av en kombination av Conditional Random Field-Match och Iterative Closest Point.</p><p>Experiment visar att både bild- och laserscansbaserad loopslutningsdetektion fungerar bra i stadsmiljö, och resulterar i good estimering av kartan såväl som robotens trajektoria.</p> / <p>In robotics, the Simultaneous Localisation And Mapping SLAM problem consists of letting a robot map a previously unknown environment, while simultaneously localising the robot in the same map. In this thesis, an attempt to solve the SLAM problem in constant time in a complex environment, such as a suburban area, is made. Such a solution must handle increasing amounts of data without significant increase in computation time.</p><p>A delayed state information filter is used to estimate the robot's trajectory, and camera and laser range sensors are used to acquire spatial information about the environment along the trajectory. Two approaches to loop closure detection are proposed. The first is image based using Tree of Words for image comparison. The second is laser based using a trained classifier for laser scan comparison. The relative pose, the difference in position and heading, of two poses matched in loop closure is calculated with laser scan alignment using a combination of Conditional Random Field-Match and Iterative Closest Point.</p><p>Experiments show that both image and laser based loop closure detection works well in a suburban area, and results in good estimation of the map as well as the robot's trajectory.</p>

Simultaneous Localisation And Mapping SLAM-problemet är ett robotikproblem som består av att låta en robot kartlägga ett tidigare okänt område, och samtidigt lokalisera sig i den skapade kartan. Det här exjobbet presenterar ett försök till en lösning på SLAM-problemet som fungerar i konstant tid i en urban miljö. En sådan lösning måste hantera en datamängd som ständigt ökar, utan att beräkningskomplexiteten ökar signifikant. Ett informationsfilter på fördröjd tillståndsform används för estimering av robotens trajektoria, och kamera och laseravståndssensorer används för att samla spatial information om omgivningarna längs färdvägen. Två olika metoder för att detektera loopslutningar föreslås. Den första är bildbaserad och använder Tree of Words för jämförelse av bilder. Den andra metoden är laserbaserad och använder en tränad klassificerare för att jämföra laserscans. När två posar, position och riktning, kopplats samman i en loopslutning beräknas den relativa posen med laserscansinriktning med hjälp av en kombination av Conditional Random Field-Match och Iterative Closest Point. Experiment visar att både bild- och laserscansbaserad loopslutningsdetektion fungerar bra i stadsmiljö, och resulterar i good estimering av kartan såväl som robotens trajektoria. / In robotics, the Simultaneous Localisation And Mapping SLAM problem consists of letting a robot map a previously unknown environment, while simultaneously localising the robot in the same map. In this thesis, an attempt to solve the SLAM problem in constant time in a complex environment, such as a suburban area, is made. Such a solution must handle increasing amounts of data without significant increase in computation time. A delayed state information filter is used to estimate the robot's trajectory, and camera and laser range sensors are used to acquire spatial information about the environment along the trajectory. Two approaches to loop closure detection are proposed. The first is image based using Tree of Words for image comparison. The second is laser based using a trained classifier for laser scan comparison. The relative pose, the difference in position and heading, of two poses matched in loop closure is calculated with laser scan alignment using a combination of Conditional Random Field-Match and Iterative Closest Point. Experiments show that both image and laser based loop closure detection works well in a suburban area, and results in good estimation of the map as well as the robot's trajectory.