Simultaneous localization and mapping (SLAM): The SLAM Estimator Spectrum: From Filtering to Smoothing

Thumbnail Image

Files

URL

Journal Title

Journal ISSN

Volume Title

Sähkötekniikan korkeakoulu | Bachelor's thesis
Electronic archive copy is available locally at the Harald Herlin Learning Centre. The staff of Aalto University has access to the electronic bachelor's theses by logging into Aaltodoc with their personal Aalto user ID. Read more about the availability of the bachelor's theses.
Unless otherwise stated, all rights belong to the author. You may download, display and print this publication for Your own personal use. Commercial use is prohibited.

Authors

Date

2025-09-05

Department

Major/Subject

Automaatio- ja systeemitekniikka

Mcode

ELEC3014

Degree programme

Sähkötekniikan kandidaattiohjelma

Language

en

Pages

23

Series

Abstract

As the role of autonomous systems such as self-driving cars and delivery robots is rapidly increasing, the central challenges of simultaneous localization and mapping (SLAM) become ever more critical. As a ramification, gathering information on the topic and comparing research to gain comprehensive understanding of the topic is of the utmost importance. The purpose of this thesis is to perform a comparative analysis of different SLAM algorithms found in literature. Kalman filter based extended Kalman filter (EKF)- and unscented Kalman Filter (UKF)-SLAM set the baseline for other algorithms explored in this thesis. Then the particle filter based UFastSLAM builds on the mathematical concepts explored previously with the addition of stochastic sampling. Then the last algorithm to be introduced is iSAM2, which is a modern factor graph optimization-based algorithm. Key metrics and attributes such as computational efficiency, accuracy, adaptability, and applicability are then compared. Other types of SLAM algorithms are also briefly discussed.

Itseohjautuvien robottien ja autojen rooli on kasvanut yhteiskunnassa. Sen vuoksi ratkaisut samanaikaisen lokalisaation ja kartoituksen ongelmaan (engl. simultaneus localization and mapping, SLAM) ovat aina vain keskeisempiä. Sen seurauksena tutkimus ja kiinnostus uusien algoritmien kehitykseen ovat kiihtyvässä nousussa. Itsenäisten robottien suunnistamat ympäristöt asettavat erilaisia vaatimuksia laitteistoihin ja ohjelmistoihin. Eri SLAM-algoritmeilla on erilaisia vahvuuksia ja heikkouksia, joiden kartoittaminen on keskeistä. Kun robotti kartoittaa ympäristöä sensorien avulla, ilmenee sensoridatassa väistämättä pientä virhettä, ja kun virheellistä dataa kasaantuu, niin robotin tieto sen sijainnista ja ympäristöstä vääristyy. SLAM-algoritmit ovat estimointialgoritmeja, joiden tarkoitus on minimoida tämä vääristymä. Estimointialgoritmit vähentävät virhettä sensorifuusion avulla, eli vertailemalla eri sensorien antamaa dataa, luoden paremman estimaatin tilasta. Tämän kandidaatintyön tavoitteena on verrata erilaisia estimointialgoritmeja, mikä tehdään tarkastelemalla algoritmien teoreettisia ominaisuuksia sekä kirjallisuudessa esitettyjä kokeellisia tuloksia. Tämä kandidaatintyö esittelee neljä erinäistä algoritmia, jotka edustavat kolmea niin sanottua algoritmiperhettä. Ensimmäisenä käsitellään Kalman-suodattimiin perustuvien algoritmien perhettä, jonka kautta esitellään kaksi algoritmia: EKF- ja UKF-SLAM, jotka ovat toimineet SLAM-algoritmien perustana. Kalman-suodattimiin perustuvat algoritmit ovat yksinkertaisia implementoida, mutta niitä rajoittaa huono skaalattavuus. Tämän jälkeen käsitellään hiukkassuodattimien (engl. particle filter) perhettä, jossa esitellään UFastSLAM-algoritmi. Algoritmiperheen etuna toimii sen kyky toimia ääriolosuhteissa: kyky mallintaa epälineaarisuuksia ja epä-gaussisia jakaumia. Viimeisenä käsitellään silotuspohjaisia algoritmeja, joita edustaa iSAM2. iSAM2-algoritmin etuna toimii silotuspohjaisten algoritmien luontainen kyky optimoida menneisyydessä tehtyjä estimaatteja sekä sen ainutlaatuisen datarakenteen mahdollistama suuri skaalattavuus. Kirjallisuuskatsauksessa aluksi vertaillaan algoritmeja teoreettiselta kannalta, minkä jälkeen tutkitaan muutamassa artikkelissa esitettyjä kokeellisia tuloksia. Lopussa teoreettisia johtopäätöksiä verrataan kokeellisiin tuloksiin, näin pystytään arvioimaan algoritmien toimintaa oikean maailman olosuhteissa. Huomataan, että tietyt ominaisuudet osoittautuvat käytännön kokeissa hyödyllisemmiksi kuin toiset. Kirjallisuuskatsauksen tulokset vahvistavat käsitystä siitä, että hiukkassuodattimien vahvuus on toimia ääriolosuhteissa, jossa gaussiset oletukset pettävät ja epälineaarisuukset ovat vahvoja. Tämänkaltaisista olosuhteista esimerkkinä toimii työssä vedenalainen ympäristö, jossa näkyvyys on huono. iSAM2 taas havaitaan antavan parempia estimaatteja hallitussa ympäristössä. EKF-SLAM tuottaa algoritmeista huonoimpia tuloksia, etenkin kun systeemissä ilmenee epälineaarisuuksia. UKF-SLAM on edeltäjäänsä parempi vaihtoehto, mutta ei kilpaile kahden muun algoritmin kanssa.

Description

Supervisor

Forsman, Pekka

Thesis advisor

Das, Shreya

Keywords

SLAM, EKF-SLAM, UFastSLAM, autonomous navigation, mapping, localization

Other note

Citation

Permanent link to this item

https://urn.fi/URN:NBN:fi:aalto-202510077484

Collections

[kand] Sähkötekniikan korkeakoulu / ELEC