• norsk
    • English
  • norsk 
    • norsk
    • English
  • Logg inn
Vis innførsel 
  •   Hjem
  • Fakultet for informasjonsteknologi og elektroteknikk (IE)
  • Institutt for teknisk kybernetikk
  • Vis innførsel
  •   Hjem
  • Fakultet for informasjonsteknologi og elektroteknikk (IE)
  • Institutt for teknisk kybernetikk
  • Vis innførsel
JavaScript is disabled for your browser. Some features of this site may not work without it.

SLAM-Driven Localization and Registration

Eklo, Vebjørn Fossheim
Master thesis
Thumbnail
Åpne
no.ntnu:inspera:2469004.pdf (10.01Mb)
no.ntnu:inspera:2469004.zip (1.676Mb)
Permanent lenke
http://hdl.handle.net/11250/2625738
Utgivelsesdato
2019
Metadata
Vis full innførsel
Samlinger
  • Institutt for teknisk kybernetikk [2250]
Sammendrag
SLAM er et problem som omhandler prosessen med å opprette et kart over omgivelsene

og samtidig lokalisere roboten/kjøretøyet i dette kartet. I robotikken og selvkjørende

applikasjoner er dette en av de viktigste utfordringene som må løses. Bruk av laser

skannere er en vanlig måte å kartlegge omgivelsene på, så en LIDAR ble supplert av

NTNU for sanntidstesting.

Denne oppgaven presenterer en sammenligning av ulike metoder for registrering

av punktskyer. ICP og NDT er to metoder som varierer i hastighet og nøyaktighet,

hvor den første viste seg best i simuleringer, mens det andre viste seg best når man

registrerer punktskyer fra LIDARen.

En sensorfusjon av en IMU og GPS er inkludert som en del av et navigasjonssystem

som bruker et Extended Kalman filter for å oppdatere filtertilstandene og kovariansen.

Resultatet er et posisjonsestimat som sporer en forhåndsmålt bane. Estimatet lider

av drift over lengre perioder på grunn av sensor bias og mangelen på en skikkelig

modell for kjøretøyet. Navigasjonsløsningen viser seg å være mindre krevende enn

SLAM-løsninger for posisjonsestimering. Omfanget av denne avhandlingen er en

byggestein for videreutvikling innen SLAM.
 
Simultaneous Localization and Mapping is the problem of creating a map of the

surroundings and simultaneously localize the robot/vehicle within this map. In mobile

robotics and self-driving applications, this is one of the essential challenges that need

to be solved. The use of laser range scanners is a common way of mapping the

surroundings, and a LIDAR was supplemented by NTNU for real-world testing.

This thesis presents a comparison of different methods of registering point clouds.

The Iterative Closest Point and Normal Distribution Transform method differ in speed

and accuracy, where the first proved best in simulations, but the second best when

registering point clouds from the supplied LIDAR.

Sensor fusion of an IMU and GPS is included as part of an Inertial Navigation System

that utilizes an Extended Kalman filter to update the filter states and covariance. The

result is a pose estimate that tracks a ground truth trajectory well but suffers from drift

over longer periods because of sensor biases and the lacking of a model for the vehicle

dynamics. The INS solution proves less computationally demanding than tested SLAM

solutions for pose estimation. The ambit of this thesis is a building block for further

development in the field of Simultaneous Localization and Mapping.
 
Utgiver
NTNU

Kontakt oss | Gi tilbakemelding

Personvernerklæring
DSpace software copyright © 2002-2019  DuraSpace

Levert av  Unit
 

 

Bla i

Hele arkivetDelarkiv og samlingerUtgivelsesdatoForfattereTitlerEmneordDokumenttyperTidsskrifterDenne samlingenUtgivelsesdatoForfattereTitlerEmneordDokumenttyperTidsskrifter

Min side

Logg inn

Statistikk

Besøksstatistikk

Kontakt oss | Gi tilbakemelding

Personvernerklæring
DSpace software copyright © 2002-2019  DuraSpace

Levert av  Unit