Objektum alapú lokalizáció kérdéseinek vizsgálata autonóm járműveknél
Manapság az autonóm járművek egyik kulcskérdése a lokalizáció, illetve az ehhez tartozó mennyiségek meghatározása. Hagyományosan GNSS, IMU, illetve kerék enkóderek alapján történik a helyzet meghatározása, azonban az önvezető járművek megjelenésével környezetérzékelő szenzorok is felszerelésre kerültek, melyek segítségével szintén meghatározható a jármű helyzete, illetve sebességei.
A környezetérzékelési szenzor alapú lokalizáció detektált és összepárosított objektumok, illetve jellemzők segítségével történik. Ezek érzékelésének két eltérő módja a kamera, illetve LiDAR alapú detekció. Az érzékelt objektumok felhasználására a legelterjedtebb módszer a szimultán lokalizáció és térképezés (SLAM) algoritmus, melynek segítségével a jármű környezetének feltérképezése és az ebben történő lokalizáció egyszerre történik, továbbá alkalmas a hagyományos szenzorok és az említett környezetérzékelők fuzionálására.
Dolgozatunk során két egymástól független kérdést vizsgálunk. Elsőként a jellemző detekció és összepárosítás problémáját, amennyiben a környezetérzékelő szenzor csak kamera. Feltételezve, hogy a képen detektált jellemzők adott objektumokhoz tartoznak, egy mélytanulás alapú objektum detektáló és lokalizáló algoritmust készítünk, mellyel a jellemző összepárosítás hatásfoka javítható. Másik vizsgált kérdésünk pedig egy particle filter alapú SLAM algoritmus, ahol az érzékelés LiDAR alapján történik, illetve hagyományos szenzorok jele is felhasználásra kerül. A munka során egy önvezető versenyautóról származó méréseket használunk fel.
szerzők
-
Demeter Zalán
Mérnök informatikus szak, alapképzés
alapképzés (BA/BSc) -
Puskás Levente
Mérnök informatikus szak, alapképzés
alapképzés (BA/BSc)
konzulensek
-
Fazekas Máté
PhD hallgató, Közlekedés- és Járműirányítási Tanszék -
Dr. Németh Balázs
tudományos munkatárs, Közlekedés- és Járműirányítási Tanszék