Efficient and reliable generation of maps is an essential element for any autonomous mobile robot. This challenging problem has attracted the attention of many specialized research groups. Despite significant progress in this area, many of the existing algorithms work well for simple environments but their performance is dramatically reduced in complex environments. The stochastic SLAM is the foundational probabilistic approach to determine maps; usually, this approach uses features to represent the map. This thesis uses a laser rangefinder to sense indoor environments from different poses; the measurements are then used to create a line map and to localize the robot. Most of the feature extraction algorithms are ad hoc heuristics and therefore, their results are valid for particular conditions. The Bayesian approach is useful to solve the problem because it offers a simple but powerful mathematical formulation. The first theorical contribution of this thesis is the application of the Bayesian formulation to extract the best number of lines from laser measurements taken from a fixed position. This thesis describes the basic ideas of the stochastic SLAM through its implementation to determine line maps. The main weaknesses of the stochastic SLAM algorithm are the error induced by linearization and the time complexity for large scale problems. Most feature–based approaches must also solve the association problem, this problem is one of the most difficult to solve.
El problema de generación eficiente de mapas con un robot autónomo móvil es un reto y ha atraído la atención de muchas investigaciones de diversos grupos especializados. Al problema de generar el mapa y al mismo tiempo localizarse en él se le conoce como SLAM (del ingles Simultaneous Localization And Mapping); a pesar del progreso logrado en el área, muchos de los algoritmos actuales funcionan muy bien en entornos simples pero su desempeño se reduce drásticamente en entornos complejos. El SLAM estocástico es el enfoque probabilista fundamental para generar mapas de forma autónoma y a partir de él se han propuesto numerosos enfoques; usualmente, el SLAM estocástico usa marcas para representar el entorno. En esta tesis se usa un telemetro láser para sensar ambientes interiores desde diferentes posiciones; las mediciones se usan para crear un mapa de líneas del entorno y para localizar al robot. En su mayoría, los algoritmos de detección de marcas son heurísticas ad hoc y por ende los resultados obtenidos funcionan solo en condiciones específicas. El enfoque Bayesiano es útil en este caso, ya que ofrece una formulación matemática simple pero poderosa. La primera contribución teórica de este trabajo es la aplicación de la formulación Bayesiana para detectar el mejor número de líneas a partir de mediciones láser tomadas desde una posición fija. Esta tesis describe las ideas básicas del SLAM estocástico a través de la implementación del algoritmo para obtener un mapa de líneas. Las principales debilidades del algoritmo de SLAM estocástico son el error inducido por linealización y la complejidad temporal en que se incurre cuando crece el número de marcas en el mapa. En su mayoría, los enfoques que usan marcas también deben resolver el problema conocido como asociación, este problema es uno de los más difíciles de resolver.
