LIMO-Velo: A real-time, robust, centimeter-accurate estimator for vehicle localization and mapping under racing velocities
Visualitza/Obre
Estadístiques de LA Referencia / Recolecta
Inclou dades d'ús des de 2022
Cita com:
hdl:2117/365241
Correu electrònic de l'autorandreuhuguetgmail.com
Tipus de documentTreball Final de Grau
Data2022-02
Condicions d'accésAccés obert
Llevat que s'hi indiqui el contrari, els
continguts d'aquesta obra estan subjectes a la llicència de Creative Commons
:
Reconeixement-NoComercial-SenseObraDerivada 3.0 Espanya
Abstract
Treballs recents sobre localització de vehicles i mapeig dels seus entorns es
desenvolupen per a dispositius portàtils o robots terrestres que assumeixen
moviments lents i suaus. Contràriament als entorns de curses d’alta velocitat.
Aquesta tesi proposa un nou model d’SLAM, anomenat LIMO-Velo, capaç
de corregir el seu estat amb una latència extremadament baixa tractant els
punts LiDAR com un flux de dades. Els experiments mostren un salt en
robustesa i en la qualitat del mapa mantenint el requisit de correr en temps
real. El model aconsegueix una millora relativa del 20% en el KITTI dataset
d’odometria respecte al millor rendiment existent; no deriva en un sol esce-
nari. La qualitat del mapa a nivell de centı́metre es manté amb velocitats
que poden arribar a 20 m/s i 500 graus/s. Utilitzant les biblioteques obertes
IKFoM i ikd-Tree, el model funciona x10 més ràpid que la majoria de models
d’última generació. Mostrem que LIMO-Velo es pot generalitzar per exe-
cutar l’eliminació dinàmica d’objectes, com ara altres agents a la carretera,
vianants i altres. Trabajos recientes sobre la localización de vehı́culos y el mapeo de sus en-
tornos se desarrollan para dispositivos portátiles o robots terrestres que
asumen movimientos lentos y suaves. Al contrario de los entornos de carreras
de alta velocidad. Esta tesis propone un nuevo modelo SLAM, LIMO-Velo,
capaz de corregir su estado en latencia extremadamente baja al tratar los
puntos LiDAR como un flujo de datos. Los experimentos muestran un salto
en la solidez y la calidad del mapa mientras se mantiene el requisito de tiempo
real. El modelo logra una mejora relativa del 20% en el conjunto de datos
de KITTI Odometry sobre el mejor desempeño existente; no deriva en un
solo escenario. La calidad del mapa de nivel centimétrico todavı́a se logra a
velocidades de carrera que pueden llegar hasta 20 m/s y 500 grados/s. Us-
ando las bibliotecas abiertas IKFoM e ikd-Tree, el modelo funciona x10 más
rápido que la mayorı́a de los modelos de última generación. Mostramos que
LIMO-Velo se puede generalizar para trabajar bajo la eliminación dinámica
de objetos, como otros agentes en la carretera, peatones y más. Recent works on localizing vehicles and mapping their environments are de-
veloped for handheld devices or terrestrial robots which assume slow and
smooth movements. Contrary to high-velocity racing environments. This
thesis proposes a new SLAM model, LIMO-Velo, capable of correcting its
state at extreme low-latency by treating LiDAR points as a data stream.
Experiments show a jump in robustness and map quality while maintaining
the real-time requirement. The model achieves a 20% relative improvement
on the KITTI Odometry dataset over the existing best performer; it does
not drift in a single scenario. Centimeter-level map quality is still achieved
under racing velocities that can go up to 20m/s and 500deg/s. Using the IKFoM and ikd-Tree open libraries, the model performs x10 faster than most
state-of-the-art models. We show that LIMO-Velo can be generalized to work
under dynamic object removal such as other agents in the road, pedestrians,
and more.
MatèriesAutonomous robots, Kalman filtering, Autonomous vehicles, Robots autònoms, Kalman, Filtratge de, Vehicles autònoms
TitulacióGRAU EN CIÈNCIA I ENGINYERIA DE DADES/GRAU EN MATEMÀTIQUES
Fitxers | Descripció | Mida | Format | Visualitza |
---|---|---|---|---|
HuguetSegarraAndreu-LIMOVelo.pdf | 10,42Mb | Visualitza/Obre |