Für die simultane Positionsbestimmung und Kartierung (SLAM) gibt es mehrere bekannte Techniken – vom klassischen SLAM basierend auf dem erweiterten Kalman-Filter bis hin zu modernen graphbasierten Algorithmen. Unserem Labor ist es gelungen, einen eigenen SLAM-Algorithmus zu entwickeln, der 3D-Laserscans als Eingabe verwendet. Die Besonderheit dieses Algorithmus liegt in der Anwendung der Dempster-Shafer-Theorie anstelle der Bayesschen Theorie zur Darstellung des Zellmodells einer Karte. Bei herkömmlichen Methoden hat jede Zelle eine bestimmte Wahrscheinlichkeit, besetzt zu sein. Die Dempster-Shafer-Theorie erlaubt jedoch, dass sich mehrere Massen in einer einzigen Zelle befinden, und liefert Formeln für die Aktualisierung dieser Massen. Das Kernkonzept dieses Projekts besteht darin, diese Massen zu nutzen, um Muster auf der Karte zu erkennen. Solche Muster können sich als charakteristische Grenzen von Objekten oder als Bereiche manifestieren, die ganzen Objekten in der Umgebung entsprechen.

Bei der Überwachung von Punktwolkenprofilen können wir die Methode „Maximum Covariance Unfolding“ anwenden. Diese Methode ermöglicht die Verarbeitung einer reduzierten Dimension des sich ergebenden Profils, wobei dessen Beziehung zu den erklärenden Variablen erhalten bleibt. Diese Variablen stellen das erfasste Muster anhand der Abweichung bestimmter Merkmale von einer Referenz dar. Neben anderen Faktoren kann die erklärende Variable den Abweichungswinkel des Musters entlang einer bestimmten Achse darstellen. Wir erforschen derzeit den Einsatz von Maximum Covariance Unfolding zur schnellen Erkennung von 90-Grad-Winkeln, die in Innenräumen weit verbreitet sind, um die Positionierung von Robotern in solchen Räumen zu unterstützen.