Data Association and Simultaneous Localization and Mapping for an Autonomous Racecar

Abstract

Autonom racing er et ganske nytt tilskudd til emnene robotikk og autonom mobilitet. Konseptet ble startet av Formula Student (FS)-konkurransene, og er en utfordring som studentlag over hele verden bryner seg på. Ettersom racerbaner er begrenset i størrelse og form, er racerbiler konstruert for å prestere på sitt beste gitt disse begrensningene. Dette prinsippet er like relevant for utviklingen av programvaren i en autonom racerbil.

Som i vanlig racing, må de involverte systemene i en autonom racerbil kunne reagere fort og ta hurtige valg basert på eksterne hendelser. Av den grunn innlemmer det arbeidet som er presentert i denne oppgaven en avansert Samtidig Lokalisering og Kartlegging (SLAM) algoritme i iSAM2 for å estimere kjøretøyets stilling, samt plasseringene til kjegler som utgjør racerbanen.

Gjennom bruk av målinger fra visuelle sensorer går denne avhandlingen i detalj om implementasjonene av forskjellige metoder for datatilknytning i SLAM: problemet med å knytte målinger til kjeglene. Totalt fire metoder ble vurdert, inkludert den robuste joint compatibility branch and bound (JCBB) algoritmen, og testet i forskjellige scenarier som er relevante for FS-konkurranser.

De foreslåtte implementasjonene lar racerbilen nøyaktig bygge kartet med kjegler og estimere sin posisjon på en svingete bane ved hastigheter på minst 40 km/t. Innføringen av sannsynlighetsbaserte datatilknytningsmetoder som JCBB og maksimal sannsynlighet (ML) lar kjøretøyet i større grad korrigere den usikre startstillingen sin på et gitt kart, noe som øker robustheten til estimeringen av bilens stilling.

Autonomous racing is a relatively new addition to the field of robotics and autonomous mobility. Pioneered by the Formula Student (FS) competitions, it is a challenge tackled by student teams across the globe. As racetracks are limited in size and shape, racecars are constructed to perform at their best given these constraints. This principle is just as well applied to the development of software in an autonomous racecar.

Just as in regular racing, the involved systems in an autonomous racecar has to be able to react and make choices quickly based on external input. For this reason, the work presented in this thesis incorporates a state-of-the-art Simultaneous Localization and Mapping (SLAM) algorithm in iSAM2 to estimate the vehicle pose (position and orientation) as well as the locations of cones that make up the racetrack.

Based on measurements originating from visual sensors, this thesis goes into detail on the implementations of different means of data association in SLAM: the problem of associating measurements to cones. A total of four methods are considered, including the robust joint compatibility branch and bound (JCBB) algorithm, and tested in different scenarios relevant for FS competitions.

The proposed implementations allow the racecar to accurately build the map of cones and estimate its position on a winding track at speeds of at least 40 km/h. The introduction of probabilistic association schemes such as JCBB and Maximum Likelihood(ML)-data association allows the vehicle to better correct it's uncertain initial pose within a given map, increasing the robustness of vehicle pose estimation.