Mobile robots possess complex perception pipelines composed of visual and depth sensors which allow them to understand their location and the world around them and build models of this world. Real-time motion planning of mobile robots in complex environments requires the knowledge of the properties of the perception pipeline so that accurate, robust and safe robot operations can be performed. Uncertainties are often modelled at the mapping and pose estimation stage and the best guess gets presented in the final output. In motion planning, often times general uncertainty is assumed about the map/pose presented without actually considering information obtained during localization and mapping. This paper exploits the gap between estimation and planning, especially in the presence of uncertainty. By better representing uncertainty in estimation, we can make more informed decisions during planning. We build upon methods that estimate the localizability from a given pose in a previously mapped environment. This is achieved by, for each position in a grid map, accumulating a measure of the visual quality of all features that would be visible from there based on the information collected during the mapping phase. This grid map can then be queried by a motion planner, allowing the planner to trade off reaching the goal faster and making sure the robot can stay localized when selecting positions and orientations in the map. We develop a framework that also takes into consideration the semantic classes of the features. By labelling the features in the map with semantics, differentiation between features is possible, making sure areas with more reliable features are preferred in the planning phase

Mobila robotar har komplexa mjukvarulösningar för att uppfatta världen med både kameror och djupsensorer, som hjälper dem att lokalisera och bygga en modell av sin omgivning. Att planera banor för dessa robotar i realtid kräver kunskap om egenskaperna hos uppfattningsmjukvaran så att noggranna, robusta och säkra robotoperationer kan utföras. Osäkerheter tas ofta hänsyn till när modellen av omvärlden och positionen estimeras, och sedan presenteras den bästa gissningen. När robotarnas banor planeras antas däremot ofta en generell osäkerhet om kartan och positionen, utan att beakta information som erhållits under lokalisering och kartläggning. Denna avhandling behandlar gapet mellan estimering och planering, och särskilt hur osäkerhet kan representeras så att vi kan fatta mer välgrundade beslut under planeringen. Arbetet bygger på en metod som uppskattar lokaliserbarheten från en given position i en tidigare kartlagd miljö. Detta uppnås genom att, för varje position i en rutnätskarta, samla ett mått på den visuella kvaliteten på de föremål som skulle vara synliga därifrån baserat på den information som samlats in under kartläggningsfasen. Lokaliserbarheten i kartan kan sedan användas i planeringen, vilket möjliggör en avvägning mellan att nå målet snabbt och att roboten kan lokalisera när dess bana väljs. Vi utvidgar metoden till att också ta hänsyn till föremålens semantiska klasser. Genom att identifiera föremålen i kartan kan en differentiering av tillförlitligheten hos olika föremål göras, vilket säkerställer att områden med mer tillförlitliga föremål föredras i planeringsfasen.