El link a la transmisión por YouTube en vivo es: https://youtu.be/2tM4FmIpCZc

Resumen:

En un mundo en el que a los robots se les asignan periódicamente tareas cada vez más cruciales, es esencial proporcionar capacidades de mapeo y localización eficientes, sólidas y precisas. Una plataforma robótica móvil que opera en un entorno desconocido o impredecible requiere localizarse adecuadamente y, simultáneamente, construir una representación útil del entorno, con el fin de emitir respuestas lo suficientemente robustas para la toma de decisiones que no comprometan la seguridad o recursos. Este problema se conoce como localización y mapeo simultáneo (Simultaneous Localization and Mapping, SLAM), y es un requisito previo fundamental para lograr la navegación autónoma, y representa uno de los principales temas de investigación en la comunidad de robótica.

En la presente tesis de investigación se presenta una versión extendida y mejorada del exitoso sistema de SLAM visual llamado S-PTAM (Stereo Parallel Tracking and Mapping), especialmente diseñado para hardware embebido con recursos computacionales limitados. Se introduce una política de segmentación de mapas que mejora la concurrencia de los módulos y permite trabajar de manera eficiente en áreas no conflictivas. Los algoritmos propuestos permiten seleccionar de manera eficiente partes relevantes del mapa a nivel local y ejecutar varias operaciones críticas con complejidad computacional que no dependa del tamaño total del mapa, otorgando así, una mayor escalabilidad al sistema SLAM. Para una experimentación realista y repetible, el sistema resultante se evalúa sobre el dataset EuRoC MAV disponible públicamente, empleando un dispositivo de cómputo embebido de bajos recursos.

Se propone, además, un novedoso enfoque de SLAM con capacidades de estimación de la incertidumbre. La solución permite reducir la cantidad de variables de estado consideradas durante el proceso de estimación, manteniendo una consistencia aproximada tanto en los valores estimados como en las incertidumbres con respecto a la formulación probabilística. Se proporciona una metodología para construir un prior en tiempo acotado, independientemente del área seleccionada. Este prior servirá para contextualizar una optimización local, dando como resultado estimaciones consistentes en términos de incertidumbre.

Por último, la tesis presenta una aplicación de exploración y planificación de trayectorias multi-robot utilizando métodos de SLAM capaces de mantener estimaciones consistentes de incertidumbre. De esta forma, se muestran los beneficios existentes de los enfoques SLAM desarrollados, logrando emplearlos para tareas de navegación autónoma eficientes.