FenixEdu™

Dissertação

{en_GB=A SLAM Method for the Formula Student Driverless Competition} {} EVALUATED

Detalhes: {pt=A área da condução autónoma tem sido alvo de bastante atenção nos últimos anos devido à constante pressão, por parte das autoridades e sociedade em geral, para veículos e estradas mais seguros, aliado aos avanços nas áreas da visão por computador e controlo. Num esforço constante para seguir as tendências do mundo automóvel, a Formula Student Germany introduziu a classe Driverless, onde os protótipos devem completar um conjunto de eventos de forma totalmente autónoma sem qualquer conhecimento prévio da pista. Simultaneous Localization and Mapping (SLAM) aborda o problema de localizar um agente em movimento enquanto, simultaneamente, constrói um mapa do ambiente queo rodeia. SLAM é considerado pela comunidade científica como um dos problemas mais complexos relativos à condução autónoma. Esta tese tem por objectivo realizar uma análise comparativa dos métodos de SLAM mais utilizados no ambiente de Formula Student. Três algoritmos distintos foram implementados de raiz e testados tanto em simulação como em dados reais. Os algoritmos em estudo consistem em duas abordagens baseadas em filtros de partículas e outra baseada em grafos. Para além disso, é ainda proposto um novo método para o problema de data association, que combina informação de rastreamento com métodos tradicionais. Os resultados mostram que a implementação baseada em grafos obteve resultados consideravelmente melhores do que as implementações baseadas em filtros de partículas, sendo ao mesmo tempo bastante mais eficiente computacionalmente. Relativamente aoproblema de data association, o método proposto, quando comparado com os restantes métodos em estudo, apresentou também os melhores resultados., en=The world of autonomous driving has received much attention in recent years, propelled by the constant pressure from governments and society for safer vehicles and roads, allied with the technological advances in the fields of computer vision and motion planning. In a constant effort to follow the trends of the automotive world, Formula Student Germany introduced the Driverless class, where prototypes must be able to compete in a number of different events fully autonomously, with no prior knowledge concerning the layout of the track. Simultaneous Localization and Mapping (SLAM) addresses the problem of localizing a moving agent while simultaneously constructing a map of the environment. SLAM is widely considered in the literature as one of the most challenging problems regarding autonomous applications, even more when applied in racing conditions. This thesis aims to provide a comprehensive review of SLAM algorithms in the Formula Student Driverless context. Three different algorithms were implemented from scratch and tested both in simulation and real scenarios. The algorithms consist of two particle filter approaches and a graph-based one. Furthermore, a new approach to the data association problem which combines tracking information with traditional methods is proposed and compared against others commonly used. The results show that the proposed graph-based pipeline held considerably better results when compared to the filtering approaches whilst being significantly more efficient. Moreover, regarding the data association problem, the proposed method also produced the best results among the other algorithms in study.}
Keywords: {pt=SLAM, Data Association, Condução Autónoma, Formula Student, en=SLAM, Data Association, Autonomous Driving, Formula Student}

Discussão: outubro 25, 2021, 8:0