Implementation of a Mapping Framework for a Team of Heterogeneous Robots

Abstract

In questa Tesi di Laurea Magistrale, condotta in collaborazione con l'Università di Genova e Leonardo, viene sottolineata l'importanza della mappatura accurata ed efficiente di ambienti complessi come requisito critico, in particolare nei sistemi multi-robot dove la collaborazione gioca un ruolo fondamentale. Questo lavoro introduce un framework completo per la mappatura 3D all'interno di team eterogenei di robot, affrontando le principali sfide nell'integrazione e nell'allineamento di dati di point cloud su larga scala. Distaccandosi dagli approcci tradizionali in 2D, il sistema proposto utilizza point cloud 3D acquisiti tramite sensori LiDAR, consentendo una rappresentazione dettagliata di diversi ambienti. Viene impiegata una tecnica di segmentazione basata su voxel per bilanciare efficienza computazionale e accuratezza della mappa.

La tesi si concentra sullo sviluppo di un framework di mappatura multi-modale per un team di robot eterogenei, con l'obiettivo specifico di supportare Leonardo nel migliorare la sicurezza presso la sua sede di Genova attraverso l'uso di robot autonomi per il pattugliamento. I principali contributi di questa ricerca includono lo sviluppo di processi di ottimizzazione per la consistenza locale e globale, l'integrazione di algoritmi avanzati come QUATRO++ e GICP per un allineamento robusto delle mappe, e l'implementazione di un'architettura centralizzata per facilitare una comunicazione fluida tra i robot.

La scalabilità, la robustezza e la precisione del framework sono validate attraverso esperimenti sia simulati che reali, dimostrando il suo potenziale per applicazioni in ambito di pattugliamento, sorveglianza e navigazione industriale. Offrendo una soluzione di mappatura efficiente, scalabile e dettagliata, questa tesi potenzia le capacità dei sistemi multi-agente nell'affrontare scenari operativi complessi.

In this Master’s Thesis, conducted in collaboration with the University of Genoa and Leonardo, the accurate and efficient mapping of complex environments is emphasized as a critical requirement, particularly in multi-robot systems where collaboration plays a pivotal role. This work introduces a comprehensive framework for 3D mapping within heterogeneous robot teams, addressing key challenges in integrating and aligning large-scale point cloud data. Departing from traditional 2D approaches, the proposed system utilizes 3D point clouds acquired through LiDAR sensors, enabling a detailed representation of different environments. A voxel-based segmentation technique is employed to balance computational efficiency with map accuracy.

The thesis focuses on developing a multi-modal mapping framework for a team of heterogeneous robots, with the specific aim of supporting Leonardo in enhancing security at its Genoa Headquarters through the deployment of autonomous patrolling robots. The principal contributions of this research include the development of local and global consistency optimization processes, the integration of advanced algorithms such as QUATRO++ and GICP for robust map alignment, and the implementation of a centralized architecture to facilitate seamless inter-robot communication.

The framework's scalability, robustness, and precision are validated through both simulated and real-world experiments, showcasing its potential for applications in patrolling, surveillance, and industrial navigation. By delivering an efficient, scalable, and detailed mapping solution, this thesis advances the capabilities of multi-agent systems in addressing challenging operational scenarios.