Fusión de LiDAR-SLAM y Deep Learning para mejora del posicionamiento en vehículos autónomos

Martínez Hamdoun, Sergio (2022). Fusión de LiDAR-SLAM y Deep Learning para mejora del posicionamiento en vehículos autónomos. Thesis (Master thesis), E.T.S.I. Industriales (UPM).

Description

Title: Fusión de LiDAR-SLAM y Deep Learning para mejora del posicionamiento en vehículos autónomos
Author/s:
  • Martínez Hamdoun, Sergio
Contributor/s:
  • Clavijo Jiménez, Miguel
  • Galán Vicente, Daniel
Item Type: Thesis (Master thesis)
Masters title: Ingeniería Industrial
Date: February 2022
Subjects:
Freetext Keywords: Vehículos Autónomos, LiDAR, Localización, Odometría, SLAM, Inteligencia Artificial, Deep Learning, Redes Neuronales Artificiales, Redes Neuronales Convolucionales, Fusión, Filtro de Kalman, EKF, UKF, Heurístico Autonomous Vehicles, LiDAR, Localization, Odometry, SLAM, Artificial Intelligence, Deep Learning, Artificial Neural Networks, Convolutional Neural Networks, Fusion, Kalman Filter, EKF, UKF, Heuristics
Faculty: E.T.S.I. Industriales (UPM)
Department: Automática, Ingeniería Eléctrica y Electrónica e Informática Industrial
Creative Commons Licenses: Recognition

Full text

[img] PDF - Requires a PDF viewer, such as GSview, Xpdf or Adobe Acrobat Reader
Download (3MB)

Abstract

El transporte es una de las actividades con mayor relevancia a nivel económico, medioambiental y social, abarcando desde el movimiento mercancías al de las propias personas. De igual manera, supone una de las principales causas de muerte y accidentes graves en el mundo, siendo la mayoría debido a fallos humanos. La conducción autónoma propone un sistema más seguro, cómodo y eficiente para resolver esta necesidad. Sin embargo, debido a la gran cantidad de escenarios que pueden llegar a darse o los constantes cambios en el entorno, este supone todo un reto de implementación. Es por esto, que esta se está realizando por niveles, tratando de alcanzar la conducción autónoma completa (nivel 5). Para conseguir esto, el vehículo deberá resolver cualquier situación que se presente en cualquier entorno o escenario posible. Uno de los principales puntos que debe ser resuelto para el avance de esta tecnología, es la propia localización del vehículo dentro de su entorno. El posicionamiento mediante tecnología basada en satélites (GNSS), por ejemplo, no es una solución general, ya que obtiene numerosas limitaciones en escenarios donde la señal es pobre. Para ello, se propone el uso de técnicas alternativas basadas en percepción, como puede ser el ‘‘Posicionamiento y Mapeado Simultáneo'' (SLAM). Este tipo de herramientas son capaces de resolver el posicionamiento absoluto en un mapa del vehículo a partir de sensores de visión (Visual-SLAM) o LiDAR (LiDAR-SLAM). Este tipo de técnicas logran una alta exactitud en el posicionamiento global, pero es cierto que cuentan con ciertas limitaciones durante el posicionamiento local o en el tiempo de ejecución de los algoritmos. Estos dos aspectos son clave para una implementación adecuada en vehículos reales. Por otro lado, en los últimos años, la aparición de técnicas basadas en Deep Learning han supuesto un gran avance en numerosas áreas, debido a su gran capacidad de generalización, su robustez al ruido y su rápida ejecución una vez han sido entrenadas, que es donde justamente flaquean las técnicas de SLAM tradicionales. Este trabajo propone, por tanto, demostrar como es posible mejorar las estimaciones realizadas con algoritmos de SLAM a partir de la fusión con técnicas basadas en Deep Learning. ---------------------------------- Transport is one of the most economically, environmentally and socially relevant activities, ranging from the movement of goods to the movement of people. It is also one of the main causes of death and serious accidents in the world, most of which are due to human error. Autonomous driving proposes a safer, more comfortable and efficient system to solve this need. However, due to the large number of scenarios that can occur or the constant changes in the environment, it is a challenge to implement. This is why it is being implemented in levels, trying to reach full autonomous driving (level 5). To achieve this, the vehicle will have to resolve any situation that arises in any possible environment or scenario. One of the main points to be resolved for the advancement of this technology is the vehicle's own localisation within its environment. Positioning by means of satellite-based technology (GNSS), for example, is not a general solution, as it has numerous limitations in scenarios where the signal is poor. Therefore, the use of alternative perception-based techniques such as ``Simultaneous Positioning and Mapping'' (SLAM) is proposed. This type of tools are able to resolve the absolute positioning on a map of the vehicle from vision sensors (Visual-SLAM) or LiDAR (LiDAR-SLAM). These types of techniques achieve high accuracy in global positioning, but it is true that they have certain limitations during local positioning or in the execution time of the algorithms. These two aspects are key for an adequate implementation in real vehicles. On the other hand, in recent years, the appearance of techniques based on Deep Learning has meant a great advance in many areas, due to their great capacity for generalisation, their robustness to noise and their fast execution once they have been trained, which is precisely where traditional SLAM techniques are weak. This work proposes, therefore, to demonstrate how it is possible to improve the estimates made with SLAM algorithms by fusing them with techniques based on Deep Learning.

More information

Item ID: 69892
DC Identifier: https://oa.upm.es/69892/
OAI Identifier: oai:oa.upm.es:69892
Deposited by: Sergio Martínez Hamdoun
Deposited on: 28 Feb 2022 08:07
Last Modified: 28 Feb 2022 08:07
  • Logo InvestigaM (UPM)
  • Logo GEOUP4
  • Logo Open Access
  • Open Access
  • Logo Sherpa/Romeo
    Check whether the anglo-saxon journal in which you have published an article allows you to also publish it under open access.
  • Logo Dulcinea
    Check whether the spanish journal in which you have published an article allows you to also publish it under open access.
  • Logo de Recolecta
  • Logo del Observatorio I+D+i UPM
  • Logo de OpenCourseWare UPM