Graph-based underwater localization techniques considering a rigorous on Lie group formulation

Abstract

ENG- The main contributions of this thesis are two, properly presented in the four articles that form the articles compendium. The first one is the development of a scan matching algorithm based on Gaussian Mixture Models (GMMs) to represent the sensor noise projected to the scan that returns the uncertainty associated with the alignment result, an essential metric in SLAM problems. In addition, the Bayesian-GMM algorithm is first introduced to learn a GMM from a point cloud. The second main contribution of this thesis is the development of an algorithm to jointly preintegrate Inertial Measurement Unit (IMU) and Doppler Velocity Log (DVL) measurements to reach a tightly coupled estimation in an underwater Graph SLAM problem. Moreover, it allows compensating the preintegrated measurement from the Earth rotation rate measured by high grade IMUs. Both algorithms are formulated considering Lie algebra to properly manipulate robot states and sensor measurements, introducing the SEN (3) group to jointly preintegrate IMU and DVL measurements.

Finally, this thesis also includes field experiments that prove the performance of the two proposed underwater navigators, one applying a Mechanical Profiling Sonar (MPS) and the other using a Mechanical Scanning MultiBeam EchoSounder (MS-MBES). The software architecture developed to implement both navigators is also presented, which provides a graph-based navigation framework to implement other navigators applying other sensor modalities

CAT- Les contribucions principals d’aquesta tesi són dues, degudament presentades en els quatre articles que conformen el compendi d’articles. La primera és el desenvolupament d’un algorisme de registre de vistes basat en Models de Barreja de Gaussianes (GMMs) per representar el soroll del sensor projectat a la vista i que retorna la incertesa associada al resultat d’alineament, una mètrica indispensable en problemes de SLAM. A més, s’introdueix per primera vegada l’algorisme GMM-Bayesià per aprendre un GMM a partir d’un núvol de punts. La segona gran contribució de la tesi és el desenvolupament d’un algorisme per preintegrar de manera conjunta les mesures d’una Unitat de Mesura Inercial (IMU) i d’un Registre de Velocitat de Doppler (DVL) per assolir una estimació estretament acoblada en un problema de Graf SLAM submarí. A més, l’algorisme permet compensar la mesura preintegrada de la velocitat de rotació de la Terra mesurada per IMUs d’alta precisió. Ambdós algorismes estan formulats considerant l’àlgebra de Lie per manipular de manera adequada els estats del robot i les mesures dels sensors, introduint el grup SEN(3) per preintegrar de manera conjunta les mesures de la IMU i del DVL.

Finalment, aquesta tesi també inclou experiments de camp que proven les prestacions dels dos navegadors submarins proposats, un aplicant un Sonar Perfilador Mecànic (MPS) i l’altre usant una EcoSonda MultiFeix d’Esconeig Mecànic (MS-MBES). L’arquitectura de software desenvolupada per implementar ambdós navegadors també es presenta, la qual proporciona un entorn de programació de navegació basada en grafs per implementar altres navegadors aplicant altres modalitats sensorials