dc.contributor.advisor | Fossen, Thor Inge | |
dc.contributor.author | Eklo, Vebjørn Fossheim | |
dc.date.accessioned | 2019-10-31T15:12:19Z | |
dc.date.issued | 2019 | |
dc.identifier | no.ntnu:inspera:35771502:38156250 | |
dc.identifier.uri | http://hdl.handle.net/11250/2625738 | |
dc.description.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. | |
dc.description.abstract | 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. | |
dc.language | eng | |
dc.publisher | NTNU | |
dc.title | SLAM-Driven Localization and Registration | |
dc.type | Master thesis | |