An Efficient Track Detection And Mapping System For Autonomous Driving Race Car

Abstract

Η συγκεκριμένη διπλωματική εργασία διεκπεραιώθηκε το εαρινό εξάμηνο του 2017 στο ETH Zrich (Swiss Federal Institute of Technology) στα πλαίσια του προγράμματος "Formula Student", υπό την επίβλεψη του καθηγητή prof. Luc Van Gool από το Computer Vision Lab του D - ITET.Τον Αύγουστο του 2017, η ομάδα Akademischer Motorsportverein Zrich (AMZ) Driverless, συμμετείχε στο διαγωνισμό Formula Student Driverless, στο Hockenheimring, στη Γερμανία, κερδίζοντας την πρώτη (1η) θέση ανάμεσα σε 15 άλλες driverless ομάδες. Η AMZ Driverless είναι η μόνη ομάδα που τερμάτισε επιτυχώς όλα τα αγωνίσματα του διαγωνισμού, λαμβάνοντας την υψηλότερη βαθμολογία.Η ομάδα ανέπτυξε ένα πλήρες αυτόνομο σύστημα, χρησιμοποιώντας σαν πλατφόρμα το πρωτότυπο μονοθέσιο που είχε κατασκευάσει το 2015. Η AMZ Driverless, αποτελείται από μεταπτυχιακούς φοιτητές του ETH Zrich, παλαιότερα μέλη της ομάδας AMZ και τη συγγραφέα, που συμμετείχε στο πρόγραμμα ως Invited Visiting student του ETH Zrich. Ο συνολικός και επιμέρους σχεδιασμός του αυτόνομου συστήματος είναι προσαρμοσμένος στους κανονισμούς του διαγωνισμού Formula Student Driverless.Το σύστημα έχει βασιστεί στην ανεξάρτητη λειτουργία των αισθητήρων και των αλγορίθμων συλλογής δεδομένων, εξασφαλίζοντας την επιτυχία και αξιοπιστία του. Ο στόχος του perception pipeline είναι να εξάγει έναν ακριβή σημασιολογικό χάρτη της πίστας, να παρέχει ακριβές εκτιμήσεις ταχύτητας και θέσης του αυτοκινήτου και να εξασφαλίσει την ανεξαρτησία των αισθητήρων σε περίπτωση αποτυχίας κάποιου συστήματος. Οι αισθητήρες που αφορούν την αντίληψη του μονοθεσίου είναι ένας LiDAR αισθητήρας και ένας Visual Inertial αισθητήρας, ανεπτυγμένος από τη συγγραφέα, για την ανίχνευση των ορίων της πίστας και τη χαρτογράφηση της. Η διπλωματική αυτή είναι βασισμένη σε πραγματικά δεδομένα του visual pipeline από το αυτοκίνητο, κατά τη διάρκεια των δοκιμών.Το visual pipeline παρέχει έναν ανεξάρτητο τρόπο ανίχνευσης κώνων, εξασφαλίζοντας επιτυχία ακόμη και αν ο LiDAR παρέχει εσφαλμένα δεδομένα. Για τον οπτικό αισθητήρα που κατασκευάσαμε, συγχρονίσαμε δύο monocular καμερες και ένα Inertial Navigation System (INS) προκειμένου να παράξουμε ένα ακριβές και ανεξάρτητο visual SLAM συστημα, από την αρχή. Το σύστημα έχει βελτιστοποιηθεί για large scale εφαρμογές και συνθήκες εξωτερικού περιβάλλοντος, πάντα σε συμφωνία με το συνολικό αυτόνομο σύστημα του αυτοκινήτου.Προκειμένου να ανιχνεύσουμε τη θέση των κώνων, αναπτύξαμε έναν machine learning αλγόριθμο ανίχνευσης κώνων, που διακρίνει SLAM αναγνωρισμένα landmarks σε «κώνοι» και «άλλα». Ο συνδυασμός του αλγόριθμου, του stereo SLAM και του VI-odometry έχει αποδειχτεί ότι είναι αποτελεσματικός σε ταχεις γωνιακές τιμές και επιτυχημένο tracking κατορθώθηκε για πάνω από 180o/s. Η εργασία αξιολογήθηκε με βάση την ακρίβεια της αναγνώρισης κώνων, του loop closing και της χάραξης τροχιάς.