ForschungBig Data und Machine Learning
LiDAR Referenz-Lokalisierung für das automatisierte Fahren/ LiDAR Reference Localization for Automated Driving

LiDAR Referenz-Lokalisierung für das automatisierte Fahren/ LiDAR Reference Localization for Automated Driving

Team:  Inga Jatzkowski
Jahr:  2016
Laufzeit:  2016
Ist abgeschlossen:  ja

Moderne Fahrzeugsysteme führen zunehmend teil- und hochautomatisierte Fahrhandlungen aus. Hierfür ist eine hinreichend genaue und robuste globale Fahrzeuglokalisierung eine wichtige Grundvoraussetzung. Dazu wird die Umgebung mit Hilfe von Umfeldsensoren erfasst und mit einer globalen Karte verglichen.

Um diese Online-Lokalisierungsmethoden evaluieren zu können wird eine hochgenaue Referenz benötigt, gegen welche das Lokalisierungsergebnis verglichen werden kann. Hierfür wird häufig eine differential GPS Lösung genutzt, die eine globale Lokalisierungsgenauigkeit von bis zu 1cm erreichen kann. Im urbanen Umfeld ist diese Genauigkeit jedoch häufig nicht gegeben, da durch Abschattungen und Mehrwegeeffekte das GPS Signal degradiert.

Es wäre somit von Vorteil, ein Lokalisierungs-Framework zur Verfügung zu haben, welches nicht auf GPS angewiesen ist, aber dennoch die nötige Genauigkeit liefert um als Referenz nutzbar zu sein. Hierfür stand ein 3D Velodyne LiDAR und eine Inertialmesseinheit zur Verfügung. Die Lokalisierung wurde in zwei Schritten durchgeführt.

Lokalisierung mit 2D Linienscan

Im ersten Schritt wurde der 3D Scan des Velodynes in einen 2D Linienscan umgewandelt, mit welchem eine Lokalisierung in einer 2D Belegungskarte durchgeführt wurde. Dafür wurde die Adaptive Monte Carlo Localization (AMCL) verwendet, welche einen Partikelfilter implementiert und je nach Lokalisierungsgüte adaptiv Partikel hinzufügt bzw. entfernt.

Dabei wurden verschiedene Sensormodelle auf ihre Eignung für das urbane Umfeld untersucht. Außerdem wurde das Lokalisierungsergebnis einer Einebenen-Variante des AMCLs, bei welcher der 2D Linienscan aus der gesamten 3D Punktwolke berechnet wird, mit dem einer Mehrebene-Variante verglichen. Bei dieser werden unterschiedliche Höhenabschnitte des 3D Scans für die Lokalisierung verwendet, deren Ergebnis anschließend fusioniert wird um eine höhere Robustheit zu erreichen.

Verbesserung der Posenschätzung durch 3D Punktwolkenregistrierung

Im zweiten Schritt der Lokalisierung wird die Posenschätzung des AMCL genutzt um eine 3D Punktwolkenregistrierung des 3D Velodyne Scans mit einer Referenzpunktwolke zu initialisieren. Dafür wurden Registrierungmethoden wie ICP, Generalized ICP und NDT auf ihre Eignung untersucht. Aufgrund der hohen Streuung des Velodyne LiDARs und der unterschiedlichen Punktdichten der zu registrierenden Punktwolken, versagen Standard-Methoden wie der ICP völlig und auch robustere Methoden wie der Generalized ICP und der NDT können keine ausreichende Posenverbesserung erreichen.