SLAM-Driven Localization and Registration
Master thesis
Permanent lenke
http://hdl.handle.net/11250/2625738Utgivelsesdato
2019Metadata
Vis full innførselSamlinger
Sammendrag
SLAM er et problem som omhandler prosessen med å opprette et kart over omgivelseneog samtidig lokalisere roboten/kjøretøyet i dette kartet. I robotikken og selvkjørendeapplikasjoner er dette en av de viktigste utfordringene som må løses. Bruk av laserskannere er en vanlig måte å kartlegge omgivelsene på, så en LIDAR ble supplert avNTNU for sanntidstesting.
Denne oppgaven presenterer en sammenligning av ulike metoder for registreringav 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 manregistrerer punktskyer fra LIDARen.
En sensorfusjon av en IMU og GPS er inkludert som en del av et navigasjonssystemsom bruker et Extended Kalman filter for å oppdatere filtertilstandene og kovariansen.Resultatet er et posisjonsestimat som sporer en forhåndsmålt bane. Estimatet liderav drift over lengre perioder på grunn av sensor bias og mangelen på en skikkeligmodell for kjøretøyet. Navigasjonsløsningen viser seg å være mindre krevende ennSLAM-løsninger for posisjonsestimering. Omfanget av denne avhandlingen er enbyggestein for videreutvikling innen SLAM. Simultaneous Localization and Mapping is the problem of creating a map of thesurroundings and simultaneously localize the robot/vehicle within this map. In mobilerobotics and self-driving applications, this is one of the essential challenges that needto be solved. The use of laser range scanners is a common way of mapping thesurroundings, 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 speedand accuracy, where the first proved best in simulations, but the second best whenregistering point clouds from the supplied LIDAR.
Sensor fusion of an IMU and GPS is included as part of an Inertial Navigation Systemthat utilizes an Extended Kalman filter to update the filter states and covariance. Theresult is a pose estimate that tracks a ground truth trajectory well but suffers from driftover longer periods because of sensor biases and the lacking of a model for the vehicledynamics. The INS solution proves less computationally demanding than tested SLAMsolutions for pose estimation. The ambit of this thesis is a building block for furtherdevelopment in the field of Simultaneous Localization and Mapping.