{"id":{"repo_id":"freiburg-diss","oai_identifier":"oai:freidok.uni-freiburg.de:2440"},"canonical_url":"https://search.dev.ndltd.org/etd/freiburg-diss/oai:freidok.uni-freiburg.de:2440","repository":{"repo_id":"freiburg-diss","name":"University of Freiburg","base_url":"https://freidok.uni-freiburg.de/oai/oai2.php"},"display":{"title":"Exploration and mapping with mobile robots","abstract":"Models of the environment are needed for a wide range of robotic
applications, from search and rescue to automated vacuum cleaning.
Learning maps has therefore been a major research focus in the
robotics community over the last decades. Robots that are able to
acquire an accurate model of their environment on their own are
regarded as fulfilling a major precondition of truly autonomous
agents. In order to solve the map learning problem, a robot has to
address mapping, localization, and path planning at the same time. In
general, these three tasks cannot be decoupled and solved
independently and map learning is thus referred to as the simultaneous
planning, localization, and mapping problem. Because of the coupling
between these tasks, this problem is very complex. It can become even
more complex when there are dynamic changes in the environment or
several robots are being used together to solve the problem.
The contributions of this thesis are solutions to various aspects of
the autonomous map learning problem. We first present approaches to
exploration that take into account the uncertainty in the world model
of the robot. We then describe how to achieve good collaboration
among a team of robots so that they efficiently solve an exploration
task. Our approach distributes the robots over the environment and in
this way avoids redundant work and reduces the risk of interference
between the individual team members. We furthermore provide a
technique to make use of background knowledge about typical
spacial structures when distributing the robots over the
environment. As a result, the overall time needed to complete the
exploration mission is reduced.
To deal with the uncertainty in the pose of a robot, we present a
solution to the simultaneous localization and mapping problem. The
difficulty in this context is to build up a map while at the same time
localizing the robot in this map. Our approach maintains a joint
posterior about the trajectory of the robot and the model of the
environment. It produces highly accurate maps in an efficient and
robust way.
In this thesis, we address step-by-step the different problems in the
context of map learning and integrate our techniques into a single
system. We provide an integrated approach that simultaneously deals
with mapping, localization, and path planning. It seeks to minimize
the uncertainty in the map and in the trajectory estimate based on the
expected information gain of future actions. It takes into account
potential observation sequences to estimate the uncertainty reduction
in the world model when carrying out a specific action. Additionally,
we focus on mapping and localization in non-static environments. Our
approach allows a robot to consider different spatial configurations
of the environment and in this way makes the pose estimate more robust
and accurate in non-static worlds.","abstract_html":"Models of the environment are needed for a wide range of robotic <br>applications, from search and rescue to automated vacuum cleaning. <br>Learning maps has therefore been a major research focus in the <br>robotics community over the last decades. Robots that are able to <br>acquire an accurate model of their environment on their own are <br>regarded as fulfilling a major precondition of truly autonomous <br>agents. In order to solve the map learning problem, a robot has to <br>address mapping, localization, and path planning at the same time. In <br>general, these three tasks cannot be decoupled and solved <br>independently and map learning is thus referred to as the simultaneous <br>planning, localization, and mapping problem. Because of the coupling <br>between these tasks, this problem is very complex. It can become even <br>more complex when there are dynamic changes in the environment or <br>several robots are being used together to solve the problem. <br> <br>The contributions of this thesis are solutions to various aspects of <br>the autonomous map learning problem. We first present approaches to <br>exploration that take into account the uncertainty in the world model <br>of the robot. We then describe how to achieve good collaboration <br>among a team of robots so that they efficiently solve an exploration <br>task. Our approach distributes the robots over the environment and in <br>this way avoids redundant work and reduces the risk of interference <br>between the individual team members. We furthermore provide a <br>technique to make use of background knowledge about typical <br>spacial structures when distributing the robots over the <br>environment. As a result, the overall time needed to complete the <br>exploration mission is reduced. <br> <br> <br>To deal with the uncertainty in the pose of a robot, we present a <br>solution to the simultaneous localization and mapping problem. The <br>difficulty in this context is to build up a map while at the same time <br>localizing the robot in this map. Our approach maintains a joint <br>posterior about the trajectory of the robot and the model of the <br>environment. It produces highly accurate maps in an efficient and <br>robust way. <br> <br>In this thesis, we address step-by-step the different problems in the <br>context of map learning and integrate our techniques into a single <br>system. We provide an integrated approach that simultaneously deals <br>with mapping, localization, and path planning. It seeks to minimize <br>the uncertainty in the map and in the trajectory estimate based on the <br>expected information gain of future actions. It takes into account <br>potential observation sequences to estimate the uncertainty reduction <br>in the world model when carrying out a specific action. Additionally, <br>we focus on mapping and localization in non-static environments. Our <br>approach allows a robot to consider different spatial configurations <br>of the environment and in this way makes the pose estimate more robust <br>and accurate in non-static worlds.","abstract_has_math":false,"creators":["Stachniss, Cyrill"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":["Burgard, Wolfram"],"advisors":[],"committee_chairs":[],"committee_members":[],"year":null,"date_issued":"","date_published":null,"updated_at":"2026-07-24T02:22:46Z","subjects":["exploration, mapping, mobile robot, SLAM, localization"],"languages":[],"rights":[],"rights_urls":[],"identifier_entries":[]},"links":{"outbound_url":"https://freidok.uni-freiburg.de/data/2440","outbound_label":"Repository record","outbound_source":"source_url"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:contributor","label":"Contributor","values":["Burgard, Wolfram"]},{"key":"dc:creator","label":"Author","values":["Stachniss, Cyrill"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:type","label":"Dc Type","values":["DoctoralThesis"]}]},{"id":"subjects_keywords","label":"Subjects and Keywords","entries":[{"key":"dc:subject","label":"Dc Subject","values":["exploration, mapping, mobile robot, SLAM, localization"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description.abstract","label":"Abstract","values":["Models of the environment are needed for a wide range of robotic
applications, from search and rescue to automated vacuum cleaning.
Learning maps has therefore been a major research focus in the
robotics community over the last decades. Robots that are able to
acquire an accurate model of their environment on their own are
regarded as fulfilling a major precondition of truly autonomous
agents. In order to solve the map learning problem, a robot has to
address mapping, localization, and path planning at the same time. In
general, these three tasks cannot be decoupled and solved
independently and map learning is thus referred to as the simultaneous
planning, localization, and mapping problem. Because of the coupling
between these tasks, this problem is very complex. It can become even
more complex when there are dynamic changes in the environment or
several robots are being used together to solve the problem.
The contributions of this thesis are solutions to various aspects of
the autonomous map learning problem. We first present approaches to
exploration that take into account the uncertainty in the world model
of the robot. We then describe how to achieve good collaboration
among a team of robots so that they efficiently solve an exploration
task. Our approach distributes the robots over the environment and in
this way avoids redundant work and reduces the risk of interference
between the individual team members. We furthermore provide a
technique to make use of background knowledge about typical
spacial structures when distributing the robots over the
environment. As a result, the overall time needed to complete the
exploration mission is reduced.
To deal with the uncertainty in the pose of a robot, we present a
solution to the simultaneous localization and mapping problem. The
difficulty in this context is to build up a map while at the same time
localizing the robot in this map. Our approach maintains a joint
posterior about the trajectory of the robot and the model of the
environment. It produces highly accurate maps in an efficient and
robust way.
In this thesis, we address step-by-step the different problems in the
context of map learning and integrate our techniques into a single
system. We provide an integrated approach that simultaneously deals
with mapping, localization, and path planning. It seeks to minimize
the uncertainty in the map and in the trajectory estimate based on the
expected information gain of future actions. It takes into account
potential observation sequences to estimate the uncertainty reduction
in the world model when carrying out a specific action. Additionally,
we focus on mapping and localization in non-static environments. Our
approach allows a robot to consider different spatial configurations
of the environment and in this way makes the pose estimate more robust
and accurate in non-static worlds.","Viele Anwendungen aus dem Bereich der mobilen Robotik setzten eine
geeignete Repräsentation der Umgebung voraus. Aus diesem Grund ist das
Lernen von Umgebungsmodellen eines der grundlegenden Probleme für
Roboter, dem schon seit mehreren Jahrzehnten Aufmerksamkeit geschenkt
wird. Das selbständige Erstellen von Umgebungsmodellen ist eine der
Grundvoraussetzungen für vollständig autonom agierende Systeme. Die
vorliegende Arbeit beschäftigt sich mit verschiedenen Problemen, die
beim selbstständigen Aufbau von Karten auftreten.
Das Problem beim Erstellen von Karten besteht unter anderem in der
Unsicherheit der Sensorinformationen. Sensoren wie beispielsweise
Lasermesssysteme oder Sonarsensoren messen die Distanz zum nächsten
Hindernis. Allerdings liefern sie mitunter nur grobe Schätzwerte und
keine exakten Daten. Auch die Bestimmung der Position des Roboters
anhand der Radumdrehungen ist mit erheblichen Fehlern behaftet, welche
sich im Laufe der Zeit sogar akkumulieren. Ohne ein geeignetes
Umgebungsmodell, in dem sich der Roboter selbst lokalisieren kann, ist
es sehr schwierig eine gute Positionsschätzung über längere Zeit
aufrecht zu erhalten. Gleichzeitig benötigt ein Roboter aber eine gute
Schätzung seiner Position, um aus seinen Sensordaten eine brauchbare
Karte zu erzeugen.
Die vorliegende Arbeit behandelt verschiedene Aspekte des Problems der
Erstellung von Umgebungsmodellen. Ein zentraler Aspekt dieser Arbeit
ist die Exploration unbekannter Umgebungen oder als Frage formuliert:
Wie sollte sich ein Roboter durch eine unbekannte Umgebung bewegen, um
aus den gewonnenen Sensordaten eine konsistente Karte zu erzeugen?
Dabei konzentrieren wir uns in dieser Arbeit auf die Reduktion der
Unsicherheit im Umgebungsmodell des Roboters. Wir verfolgen einen
Ansatz, der mögliche zukünftige Observationen und deren Auswirkungen
auf das Modell des Roboters in die Zielpunktauswahl mit einbezieht.
Des weiteren stellen wir einen Ansatz vor, der es erlaubt, ein Team
von Robotern so zu koordinieren, dass diese ihre gemeinsame
Explorationsaufgabe schneller lösen können.
Die Annahme, dass die Positionsinformation als gegeben vorausgesetzt
werden kann, ist in natürlichen Umgebungen nicht gegeben. Daher
stellen wir einen Ansatz zur Lösung des Problems des simultanen
Lokalisierens und Kartenlernens vor (SLAM). Das auf Partikelfiltern
basierende Verfahren ermöglicht es, eine gemeinsame Verteilung über
die Trajektorie des Roboters und das Umgebungsmodell zu verwalten. Als
Ergebnis erhalten wir ein System, das Karten von verhältnismäßig
großen Umgebungen in Echtzeit erstellen kann.
Aufbauend auf diesem Verfahren adaptieren wir unsere
Explorationstechnik so, dass diese die Eigenschaften des SLAM
Verfahrens berücksichtigt. Wir ermöglichen es dabei dem Roboter
Schleifen in der Umgebung zu erkennen und diese aktiv zu schließen. Im
Endeffekt führt dies zu besser ausgerichteten Karten im Vergleich zu
herkömmlichen Explorationsverfahren.
Das bis dahin gewonnene Wissen wird anschließend in ein System
integriert. Dieses konzentriert sich gleichzeitig auf Exploration,
Kartenbau und Lokalisierung. Bei der Auswahl der nächsten
auszuführenden Aktion betrachtet das System mögliche Sequenzen von
Observationen, die der Roboter beim Ausführen der Aktion erhalten
könnte. Der Roboter ist dann in der Lage, die Aktion zu wählen, die
zur größten erwarteten Minimierung der Unsicherheit über die Umgebung
sowie über seine Position führt.
Abschließend behandeln wir das Lokalisieren und Kartenbauen in
nichtstatischen Umgebungen. Unser Verfahren erlaubt es, die möglichen
Konfigurationen nichtstatischer Objekte zu bestimmen. Ein klassisches
Beispiel stellen Türen dar. Diese sind typischweise entweder
geschlossen oder offen. Ein Roboter, der sich solches Wissen aneignen
kann, ist später in der Lage, sich besser zu lokalisieren als ein
Roboter der nur ein statisches Modell seiner Welt besitzt.
Der Beitrag dieser Arbeit besteht aus einer Menge von Techniken zum
selbstständigen Erstellen von Umgebungsmodellen. Zusammengefasst
liefern unsere Verfahren Lösungen für die folgenden Probleme:
- Koordination einer Gruppe von mobilen Robotern, so dass diese eine
gemeinsame Explorationsaufgabe schneller bewältigen können.
- Erzeugung hochauflösender Karten aus unsicheren Sensor- und
Odometrieinformationen.
- Anpassung einer Explorationsstrategie an ein darunterliegendes
Lokalisierungs- und Kartenbausystem, wodurch die resultierenden
Umgebungsmodelle weniger Fehler enthalten.
- Erzeugung und Beurteilung von Aktionen für einen explorierenden
Roboter. Dabei wird die beste erwartete Aktion unter dem Gesichtspunkt
der Minimierung der Unsicherheit im Weltmodell des Roboters
ausgewählt.
- Erstellen von Karten in Umgebungen, die nichtstatische Objekte
enthalten. Dabei werden typische Zustände der nichtstatische Objekte
im Raum modelliert. Dies wiederrum führt zu einer robusteren
Positionsschätzung für mobile Roboter, die in solchen Umgebungen
eingesetzt werden."]},{"key":"dc:format.medium","label":"Dc Format Medium","values":["application/pdf"]},{"key":"dc:title","label":"Title","values":["Exploration and mapping with mobile robots","Exploration und Kartenbau mit mobilen Robotern"]}]}],"canonical_facts":{"dc:contributor":["Burgard, Wolfram"],"dc:creator":["Stachniss, Cyrill"],"dc:description.abstract":["Models of the environment are needed for a wide range of robotic
applications, from search and rescue to automated vacuum cleaning.
Learning maps has therefore been a major research focus in the
robotics community over the last decades. Robots that are able to
acquire an accurate model of their environment on their own are
regarded as fulfilling a major precondition of truly autonomous
agents. In order to solve the map learning problem, a robot has to
address mapping, localization, and path planning at the same time. In
general, these three tasks cannot be decoupled and solved
independently and map learning is thus referred to as the simultaneous
planning, localization, and mapping problem. Because of the coupling
between these tasks, this problem is very complex. It can become even
more complex when there are dynamic changes in the environment or
several robots are being used together to solve the problem.
The contributions of this thesis are solutions to various aspects of
the autonomous map learning problem. We first present approaches to
exploration that take into account the uncertainty in the world model
of the robot. We then describe how to achieve good collaboration
among a team of robots so that they efficiently solve an exploration
task. Our approach distributes the robots over the environment and in
this way avoids redundant work and reduces the risk of interference
between the individual team members. We furthermore provide a
technique to make use of background knowledge about typical
spacial structures when distributing the robots over the
environment. As a result, the overall time needed to complete the
exploration mission is reduced.
To deal with the uncertainty in the pose of a robot, we present a
solution to the simultaneous localization and mapping problem. The
difficulty in this context is to build up a map while at the same time
localizing the robot in this map. Our approach maintains a joint
posterior about the trajectory of the robot and the model of the
environment. It produces highly accurate maps in an efficient and
robust way.
In this thesis, we address step-by-step the different problems in the
context of map learning and integrate our techniques into a single
system. We provide an integrated approach that simultaneously deals
with mapping, localization, and path planning. It seeks to minimize
the uncertainty in the map and in the trajectory estimate based on the
expected information gain of future actions. It takes into account
potential observation sequences to estimate the uncertainty reduction
in the world model when carrying out a specific action. Additionally,
we focus on mapping and localization in non-static environments. Our
approach allows a robot to consider different spatial configurations
of the environment and in this way makes the pose estimate more robust
and accurate in non-static worlds.","Viele Anwendungen aus dem Bereich der mobilen Robotik setzten eine
geeignete Repräsentation der Umgebung voraus. Aus diesem Grund ist das
Lernen von Umgebungsmodellen eines der grundlegenden Probleme für
Roboter, dem schon seit mehreren Jahrzehnten Aufmerksamkeit geschenkt
wird. Das selbständige Erstellen von Umgebungsmodellen ist eine der
Grundvoraussetzungen für vollständig autonom agierende Systeme. Die
vorliegende Arbeit beschäftigt sich mit verschiedenen Problemen, die
beim selbstständigen Aufbau von Karten auftreten.
Das Problem beim Erstellen von Karten besteht unter anderem in der
Unsicherheit der Sensorinformationen. Sensoren wie beispielsweise
Lasermesssysteme oder Sonarsensoren messen die Distanz zum nächsten
Hindernis. Allerdings liefern sie mitunter nur grobe Schätzwerte und
keine exakten Daten. Auch die Bestimmung der Position des Roboters
anhand der Radumdrehungen ist mit erheblichen Fehlern behaftet, welche
sich im Laufe der Zeit sogar akkumulieren. Ohne ein geeignetes
Umgebungsmodell, in dem sich der Roboter selbst lokalisieren kann, ist
es sehr schwierig eine gute Positionsschätzung über längere Zeit
aufrecht zu erhalten. Gleichzeitig benötigt ein Roboter aber eine gute
Schätzung seiner Position, um aus seinen Sensordaten eine brauchbare
Karte zu erzeugen.
Die vorliegende Arbeit behandelt verschiedene Aspekte des Problems der
Erstellung von Umgebungsmodellen. Ein zentraler Aspekt dieser Arbeit
ist die Exploration unbekannter Umgebungen oder als Frage formuliert:
Wie sollte sich ein Roboter durch eine unbekannte Umgebung bewegen, um
aus den gewonnenen Sensordaten eine konsistente Karte zu erzeugen?
Dabei konzentrieren wir uns in dieser Arbeit auf die Reduktion der
Unsicherheit im Umgebungsmodell des Roboters. Wir verfolgen einen
Ansatz, der mögliche zukünftige Observationen und deren Auswirkungen
auf das Modell des Roboters in die Zielpunktauswahl mit einbezieht.
Des weiteren stellen wir einen Ansatz vor, der es erlaubt, ein Team
von Robotern so zu koordinieren, dass diese ihre gemeinsame
Explorationsaufgabe schneller lösen können.
Die Annahme, dass die Positionsinformation als gegeben vorausgesetzt
werden kann, ist in natürlichen Umgebungen nicht gegeben. Daher
stellen wir einen Ansatz zur Lösung des Problems des simultanen
Lokalisierens und Kartenlernens vor (SLAM). Das auf Partikelfiltern
basierende Verfahren ermöglicht es, eine gemeinsame Verteilung über
die Trajektorie des Roboters und das Umgebungsmodell zu verwalten. Als
Ergebnis erhalten wir ein System, das Karten von verhältnismäßig
großen Umgebungen in Echtzeit erstellen kann.
Aufbauend auf diesem Verfahren adaptieren wir unsere
Explorationstechnik so, dass diese die Eigenschaften des SLAM
Verfahrens berücksichtigt. Wir ermöglichen es dabei dem Roboter
Schleifen in der Umgebung zu erkennen und diese aktiv zu schließen. Im
Endeffekt führt dies zu besser ausgerichteten Karten im Vergleich zu
herkömmlichen Explorationsverfahren.
Das bis dahin gewonnene Wissen wird anschließend in ein System
integriert. Dieses konzentriert sich gleichzeitig auf Exploration,
Kartenbau und Lokalisierung. Bei der Auswahl der nächsten
auszuführenden Aktion betrachtet das System mögliche Sequenzen von
Observationen, die der Roboter beim Ausführen der Aktion erhalten
könnte. Der Roboter ist dann in der Lage, die Aktion zu wählen, die
zur größten erwarteten Minimierung der Unsicherheit über die Umgebung
sowie über seine Position führt.
Abschließend behandeln wir das Lokalisieren und Kartenbauen in
nichtstatischen Umgebungen. Unser Verfahren erlaubt es, die möglichen
Konfigurationen nichtstatischer Objekte zu bestimmen. Ein klassisches
Beispiel stellen Türen dar. Diese sind typischweise entweder
geschlossen oder offen. Ein Roboter, der sich solches Wissen aneignen
kann, ist später in der Lage, sich besser zu lokalisieren als ein
Roboter der nur ein statisches Modell seiner Welt besitzt.
Der Beitrag dieser Arbeit besteht aus einer Menge von Techniken zum
selbstständigen Erstellen von Umgebungsmodellen. Zusammengefasst
liefern unsere Verfahren Lösungen für die folgenden Probleme:
- Koordination einer Gruppe von mobilen Robotern, so dass diese eine
gemeinsame Explorationsaufgabe schneller bewältigen können.
- Erzeugung hochauflösender Karten aus unsicheren Sensor- und
Odometrieinformationen.
- Anpassung einer Explorationsstrategie an ein darunterliegendes
Lokalisierungs- und Kartenbausystem, wodurch die resultierenden
Umgebungsmodelle weniger Fehler enthalten.
- Erzeugung und Beurteilung von Aktionen für einen explorierenden
Roboter. Dabei wird die beste erwartete Aktion unter dem Gesichtspunkt
der Minimierung der Unsicherheit im Weltmodell des Roboters
ausgewählt.
- Erstellen von Karten in Umgebungen, die nichtstatische Objekte
enthalten. Dabei werden typische Zustände der nichtstatische Objekte
im Raum modelliert. Dies wiederrum führt zu einer robusteren
Positionsschätzung für mobile Roboter, die in solchen Umgebungen
eingesetzt werden."],"dc:format.medium":["application/pdf"],"dc:subject":["exploration, mapping, mobile robot, SLAM, localization"],"dc:title":["Exploration and mapping with mobile robots","Exploration und Kartenbau mit mobilen Robotern"],"dc:type":["DoctoralThesis"]},"updated_at":"2026-07-24T02:22:46Z"}