En los últimos anos, el interés por la navegación autónoma de vehículos ha crecido gracias a eventos como el Defense Advanced Research Projects Agency DARPA Grand Challenge y recientemente el Urban Challenge. La localización se ha convertido en una pieza clave para la navegación, siguiendo la tendencia de la robótica que ha tenido un gran progreso en la última década. Por ello, nuestro objetivo es la navegación autónoma de vehículos a gran escala en exteriores y la mejora de la localización proporcionada por los GPS a los sistemas actuales de navegación. El trabajo que se propone en esta tesis es especialmente útil en áreas donde la señal del GPS no es fiable o se ha perdido (túneles, áreas urbanas con edificios altos, entornos montañosos o con árboles, etc.). Nuestro objetivo es desarrollar un sistema de localización robusto, basado en un sistema de visión estéreo que ayude a un GPS estándar en las tareas de navegación.
En esta tesis se presenta una nueva solución para estimar la trayectoria seguida por un vehículo y su posición global en entornos urbanos utilizando odometría visual y un mapa digital. Para ello, primero se describen los modelos de las cámaras y la tridimensional y se propone un modelo para representar la incertidumbre en la reconstrucción. A continuación se explica una nueva estrategia para la extracción de puntos característicos. Para afrontar la complejidad de los entornos urbanos se utilizan como características las Scale-invariant Image Features (SIFT). Los resultados son comparados con otros extractores de características. Se ha equipado un vehículo de test con un par de cámaras estéreo montadas en el espejo retrovisor cuya trayectoria es calculada siguiendo el movimiento de puntos característicos de la escena. Los puntos característicos se siguen entre frames creando trayectorias 3D. El movimiento del vehículo es estimado utilizando un método fotogramétrico no lineal basado en RANSAC (RAndom SAmple Consensus). Se presenta un nuevo método basado en RANSAC y la distancia de Mahalanobis junto a unos mínimos cuadrados no lineales ponderados para adaptarse a la naturaleza heterocedástica de los datos de entrada. Se demuestra sobre un simulador y sobre datos reales que este método obtiene mejores resultados que las soluciones previas.
Para realizar la localización global durante las pérdidas de cobertura del GPS, se propone un algoritmo de map-matching probabilístico. Para ello, la última posición fiable dada por el GPS es utilizada como punto de partida para el algoritmo de map-matching que relizará la localización utlizando la información del movimiento proporcionada por el sistema de odometría visual.
El objetivo final es proporcionar asistencia al conductor en las tareas de navegación o incluso proporcionar un medio para la navegación autónoma. El sistema se ha probado en condiciones de tráfico real sin ningún conocimiento previo de la escena o el movimiento.
Autonomous vehicle guidance interest has increased in the recent years, thanks to events like the Defense Advanced Research Projects Agency (DARPA) Grand Challenge and recently the Urban Challenge. Accurate Global Localization has become a key component in vehicle navigation, following the trend of the robotics area, which has seen significant progress in the last decade. Accordingly, our final goal is the autonomous vehicle outdoor navigation in large-scale environments and the improvement of current vehicle navigation systems based only on standard GPS. The work proposed in this thesis is particularly efficient in areas where GPS signal is not reliable or even not fully available (tunnels, urban areas with tall buildings, mountainous forested environments, etc). Our research objective is to develop a robust localization system based on a low-cost stereo camera system that assists a standard GPS sensor for vehicle navigation tasks.
This thesis presents a new approach for estimating the vehicle motion trajectory and global position in complex urban environments by means of visual odometry and a digital map. Firstly the camera models and the stereo reconstruction are described and a model for the uncertainty of the 3D reconstruction is presented. A new strategy for robust feature extraction and data post-processing is developed and tested on-road. Scale-invariant Image Features (SIFT) are used in order to cope with the complexity of urban environments.
Comparisons with other feature extractors are performed. In the prototype system, the ego-motion of the vehicle is computed using a stereo-vision system mounted next to the rear view mirror of the car. Feature points are matched between pairs of frames and linked into 3D trajectories. The distance between estimations is dynamically adapted based on re-projection and estimation errors. Vehicle motion is estimated using the non-linear, photogrametric approach based on RANSAC (RAndom SAmple Consensus). A weighted non-linear least squares estimation and a RANSAC based on Mahalanobis distance, are presented as a more adequate solution for the motion estimation problem. The performance of this methods has been checked both on synthetic and real data showing an improvement over previous solutions.
A probabilistic map-matching algorithm is used along with a digital map to perform the global localization during GPS outages. The last reliable position given by the GPS is used as starting point for the map-matching algorithm which will perform the localization using the motion estimation from the visual odometry system.
The final goal is to provide on-board driver assistance in navigation tasks, or to provide a means of autonomously navigating a vehicle. The method has been tested in real traffic conditions without using prior knowledge about the scene or the vehicle motion.
© 2001-2024 Fundación Dialnet · Todos los derechos reservados