Feature-Based Lidar SLAM for Autonomous Surface Vehicles Operating in Urban Environments

Abstract

I denne oppgaven har et feature-basert lokaliserings og kartleggings (SLAM) system som bruker iSAM2 rammeverket for autonome overflatefartøy (ASV)s i urbane miljø blitt utviklet. Dette systemet kan bli brukt som et back-up system for satellittbasert navigasjon (GNSS) i tilfelle det blir jammet, eller hvis signalet skulle gå tapt. Systemet bruker ISS keypoint ekstraktoren og SHOT deskriptoren som begge er tilgjengelige i Point Cloud Library (PCL), og er implementert ved hjelp av iSAM2 rammeverket, som re tilgjengelig i Georgia Tech Smoothing and Mapping (GTSAM) biblioketet. Systemet er validert på ekte lidar data som er biltt tatt opp på den autonome fergeprototypen milliAmpere. Denne oppgaven vil vise hvordan system er bygd opp, hvordan stedsgjenkjenning er implementert, og hvordan bevegelsessensorer og GNSS er integrert inn i systemet. Kartet som systemet lager og usikkerhetsestimatene vil bli presentert sammen med den resulterende trajektorien. Resultatene som dette systemet oppnår er sammenliknet med ground truth data som er tatt opp av en RTK-GNSS, som er veldig nøyaktig satellittbasert navigasjon. Resultatene som er oppnådd er mer nøyaktig enn hva en standard GNSS mottaker er spesifisert til å være, både for lokalisering i xy-planet, men også med tanke på høyden. Stedsgjennkjenning som er implemenert er også vist å være konsistent, som fører til at dette er et av de første feature-baserte lidar SLAM systemene noensinne som bruker keypoints og deskriptorer for å implementere stedsgjenkjenning. Dette systemet er også en klar forbedring fra de systemene som har blitt implementert på milliAmpere i de foregående masteroppgavene.

In this thesis a feature-based Simultaneous Localization And Mapping (SLAM) system utilizing the iSAM2 framework for Autonomous Surface Vehicles (ASV)s operating in urban environments has been developed. This system can be used as a back-up system for the Global Navigation Satellite System (GNSS), if it were to be jammed, or if signals are lost. The complete system, using the ISS keypoint extractor and the SHOT descriptor, both available in Point Cloud Library (PCL), is implemented using the iSAM2 framework available in the Georgia Tech Smoothing and Mapping (GTSAM) library, and is validated on real lidar data recorded on-board the autonomous ferry prototype milliAmpere. This thesis will show how the system is developed, how loop closure is performed, and how the Inertial Measurement Unit (IMU) and GNSS are fused into the system. The map created by the system, and the uncertainty of the estimates will be presented alongside the resulting trajectory. The resulting trajectory achieved by this system is compared to the ground truth recorded by a Real Time Kinematics (RTK)-GNSS, and the results are more accurate than a standard GNSS receiver, both for the two dimensional xy-plane, and for the z-direction. The loop closure is also shown to be consistent, making this one of the first feature-based lidar SLAM systems which utilize keypoints and descriptors in order to perform loop closure. The system is also shown to be a great improvement to the systems that have been implemented for milliAmpere in the two previous master’s theses.