Lokalisierung und Kartierung mittels Maximum Consensus Techniken

Für mobile Systeme ist die robuste Lokalisierung und Kartierung von überragender Bedeutung. Oftmals werden für die Repräsentation von Unsicherheiten parametrische Verteilungen verwendet, sowohl für die Pose der mobilen Systeme, als auch für die Umgebungskarte. Sie können zwar effizient berechnet werden, sind jedoch nicht in der Lage, Abweichungen von der gewählten Verteilungsfunktion zu modellieren. Eine häufig auftretende Quelle derartiger Abweichungen stellen Fehlzuordnungen im Rahmen von Lokalisierungs- und Kartierungsproblemen dar. Diese treten z.B. aufgrund von fehlerhaften Messungen, falschen Annahmen über die Eigenposition oder veränderlichen Umgebungen auf. Werden sie nicht als Ausreißer erkannt, führen sie zu einer fehlerhaften Schätzung des Systemzustands, die oft nur schwer aufgedeckt werden kann.

Zur Schätzung von Zuständen wurden in der jüngeren Vergangenheit insbesondere Maximum Consensus Techniken diskutiert. Sie sind sehr robust gegenüber Ausreißern, führen jedoch in der Regel zu einem hohen Rechenaufwand. Für Systeme mit hohen Integritätsanforderungen können sie jedoch eine interessante Lösung darstellen, nicht nur aufgrund ihrer Robustheit, sondern auch, weil sie die Identifikation von fehlerhaften Informationsquellen erlauben.

In diesem Dissertationsprojekt soll die Anwendbarkeit derartiger Techniken für Probleme der Filterung, Glättung und Ausgleichung betrachtet werden, insbesondere im Hinblick auf die Lokalisierung von mobilen Sensoren unter Verwendung von Umgebungskarten. Zur Modellierung der Abhängigkeiten bieten sich probabilistische graphische Modelle an, zur Inferenz entsprechend Message Passing Ansätze. Als Rechenmodell kann die parallele Berechnung, zum Beispiel auf massiv parallelen Clustern oder auf GPUs, betrachtet werden. Auch die Verwendung von maschinellen Lernverfahren, insbesondere von Deep Learning, kann untersucht werden, Beispielsweise zur Ableitung von Gütemaßen für Konsenssituationen.

Publications

Li, H. (2009). Consensus set maximization with guaranteed global optimality for robust geometry estimation. In: IEEE international conference on computer vision (ICCV), pp. 1074–1080.

T.-J. Chin and D. Suter (2017). The maximum consensus problem: recent algorithmic advances. Synthesis Lectures on Computer Vision (Eds. Gerard Medioni and Sven Dickinson), Morgan & Claypool Publishers, San Rafael, CA, U.S.A.

M.Sc. Jeldrik Axmann
Adresse
Institut für Kartographie und Geoinformatik
Appelstraße 9A
30167 Hannover
Gebäude
Raum
616
M.Sc. Jeldrik Axmann
Adresse
Institut für Kartographie und Geoinformatik
Appelstraße 9A
30167 Hannover
Gebäude
Raum
616

PROJEKTBETREUER

apl. Prof. Dr.-Ing. Claus Brenner
Adresse
Institut für Kartographie und Geoinformatik
Appelstraße 9A
30167 Hannover
Gebäude
Raum
613
apl. Prof. Dr.-Ing. Claus Brenner
Adresse
Institut für Kartographie und Geoinformatik
Appelstraße 9A
30167 Hannover
Gebäude
Raum
613