This dissertation covers a segmented map-based topological exploration method using adaptive LiDAR-Inertial Odometry (LIO). Existing exploration algorithms mainly operate independently of state estimation algorithms and generate frontiers using random sampling techniques or motion primitive techniques within a specific sensor range or search space. However, accurate and robust state estimation algorithms are essential for diverse environmental exploration, and the generation of frontiers within limited spaces leads to repeated maneuvers back-and-forth in large-scale environments, impairing exploration efficiency. To address these issues, we represent the 3D dense map as multiple hierarchical maps using LiDAR keyframes and their corresponding LiDAR scans provided by adaptive LIO, which offers accurate and robust performance. We generate segmented exploration regions (SERs) by applying Euclidean distance clustering techniques. Frontiers at a global scale are generated within each SER, considering the geometric features of the 3D map, and the frontiers with the highest scores are selected based on the proposed exploration score. In particular, this dissertation introduces a novel topological map generation method that maximizes the use of Line-Of-Sight (LOS) features of LiDAR sensor points to enhance exploration performance and efficiency in large-scale environments. The generated topological map considers the contributions of LiDAR keyframes that generated SERs, enabling the robot to perform rapid exploration to specific frontiers. Our adaptive LIO exhibits robust state estimation performance not only in typical environments but also in challenging environments. The proposed exploration algorithm demonstrated performance improvements of over 62% in terms of exploration volume over time and exploration volume per second compared to state-of-the-art algorithms in large-scale simulation environments. Additionally, we conducted field tests using various environments with quadcopters and proved that our method, which combines adaptive LIO and segmented map-based topological exploration, enables efficient and reliable exploration.
이 학위논문은 주변 환경에 적응적인 라이다 관성 오도메트리를 사용한 분할된 맵 기반 토폴로지 탐사 기법을 다루고 있다. 기존 탐사 알고리즘은 주로 상태 추정 알고리즘과 독립적으로 동작하며, 특정 센서 범위 또는 탐색 공간 내에서 무작위 샘플링 기법 또는 모션 프리미티브 기법을 사용하여 프론티어를 생성한다. 하지만 다양한 환경 내 탐사를 위해 정확하고 강건한 상태 추정 알고리즘은 필수적이며, 제한된 공간 내 프론티어들의 생성은 대규모 환경 내 앞 뒤로 반복되는 매뉴버를 야기시키며 탐사 효율을 저하시킨다. 이러한 문제를 해결하기 위해 우리는 정확하고 강건한 성능을 가지는 적응형 라이다 관성 오도메트리에서 제공하는 라이다 키프레임과 해당하는 라이다 스캔을 사용하여 3차원 정밀 맵을 여러 계층적 맵으로 표현하고, 유클리디언 거리 클러스터링 기법을 적용하여 분할된 탐사 지역들을 생성한다. 3차원 맵의 기하학적 특징들이 고려된 각 분할된 탐사 지역 내에서 글로벌 스케일의 프론티어들이 생성되고 제안하는 탐사 스코어에 따라 가장 높은 스코어를 갖는 프론티어가 선정된다. 특히 이 학위논문은 대규모 환경 내 탐사 성능과 효율을 높이기 위해 라이다 센서 포인트들의 가시선 특징을 최대한 사용할 수 있는 새로운 토폴로지 맵 생성 기법을 소개한다. 생성된 토폴로지 맵은 분할된 탐사 지역들을 생성한 라이다 키프레임들의 기여도가 고려되었으며 이는 로봇이 특정 프론티어까지 빠른 탐사가 가능하게 한다. 우리의 적응형 라이다 관성 오도메트리는 일반적인 환경 뿐 아니라 도전적인 환경에서도 강건한 위치 추정 성능을 가지며, 제안하는 탐사 알고리즘은 대규모 시뮬레이션 환경 내에서 최신 알고리즘 보다 시간에 따른 탐사 볼륨, 초당 탐사 볼륨 증가량 측면에서 62%이상 좋은 성능을 보였다. 또한 우리는 다양한 환경 내 쿼드로터를 사용한 필드 테스트를 수행하였으며, 적응형 라이다 관성 오도메트리와 분할된 맵 기반 토폴로지 탐사 알고리즘이 융합된 우리의 기법이 효율적이고 신뢰성 있는 탐사가 가능하다는 것을 증명 하였다.
