SLAM-Driven Localization and Registration

Abstract

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.