Novel techniques for mapping and localization of self driving cars using grid maps

Página do item simplificado
dc.contributor.advisor1Souza, Alberto Ferreira de
dc.contributor.advisor1IDhttps://orcid.org/0000000315618447
dc.contributor.advisor1Latteshttp://lattes.cnpq.br/7573837292080522
dc.contributor.authorMutz, Filipe Wall
dc.contributor.authorIDhttps://orcid.org/0000000229519207
dc.contributor.authorLatteshttp://lattes.cnpq.br/3123292310632540
dc.contributor.referee1Goncalves, Claudine Santos Badue
dc.contributor.referee1IDhttps://orcid.org/0000-0003-1810-8581
dc.contributor.referee1Latteshttp://lattes.cnpq.br/1359531672303446
dc.contributor.referee2Franca, Felipe Maia Galvao
dc.contributor.referee2IDhttps://orcid.org/0000-0002-8980-6208
dc.contributor.referee2Latteshttp://lattes.cnpq.br/1097952760431187
dc.contributor.referee3Komati, Karin Satie
dc.contributor.referee3IDhttps://orcid.org/0000-0001-5677-4724
dc.contributor.referee3Latteshttp://lattes.cnpq.br/9860697624155451
dc.contributor.referee4Santos, Thiago Oliveira dos
dc.contributor.referee4Latteshttp://lattes.cnpq.br/5117339495064254
dc.date.accessioned2024-05-30T00:48:36Z
dc.date.available2024-05-30T00:48:36Z
dc.date.issued2019-09-02
dc.description.abstractThis work proposes novel techniques for building grid maps of large-scale environments, and for estimating the localization of self-driving cars in these maps. The mapping technique is employed for creating occupancy, reflectivity, colour, and semantic grid maps. The localization is based on particle filters. New methods for computing the particles’ weights using semantic and colour information are presented. The deep neural network DeepLabv3+ is used for visual semantic segmentation of images captured by a camera. The estimation of the vehicle poses for mapping is modelled as a Simultaneous Localization and Mapping (SLAM) problem. The values of the poses are obtained by using the GraphSLAM algorithm to fuse odometry and GPS data. These values are refined using loop-closure information. The optimized poses are used for building maps of the environment. The self-driving cars localizations are computed in relation to these maps. The mapping and localization techniques were evaluated in several complex and large-scale environments using a real self-driving car – the Intelligent and Autonomous Robotic Automobile (IARA). The impact of using different types of grid maps in the localization accuracy as well as its robustness to adverse conditions of operation (e.g., variable illumination, and intense traffic of vehicles and pedestrians) were evaluated quantitatively. As far as we know, the mapping and localization techniques, the methodology for producing the localization ground truth, and the evaluation of which type of grid map leads to more accurate localization are novelties
dc.description.resumoEste trabalho propõe novas técnicas para construção de mapas de grade de ambientes de grande escala, e para estimativa da localização de carros autônomos nestes mapas. A técnica de mapeamento é utilizada para criar mapas de grade de ocupação, de refletividade, coloridos e semânticos. A localização é baseada em filtros de partículas. Novos métodos para cálculo dos pesos das partículas usando informações semânticas e coloridas são apresentados. A rede neural profunda DeepLabv3+ é usada para segmentar semanticamente imagens capturadas por uma câmera frontal. A estimativa das poses do veículo para o mapeamento é modelada como um problema de Localização e Mapeamento Simultâneos (Simultaneous Localization and Mapping – SLAM). Valores iniciais das poses são obtidos usando o algoritmo GraphSLAM para fundir dados de odometria e GPS. Esses valores são refinados usando informações de fechamento de circuito. As poses otimizadas são utilizadas para construir mapas do ambiente. As localizações dos carros autônomos são calculadas em relação a estes mapas. As técnicas de localização e mapeamento foram avaliadas em vários ambientes complexos e de larga escala usando o automóvel robótico autônomo e inteligente (Intelligent and Autonomous Robotic Automobile – IARA). O impacto de usar diferentes tipos de mapas de grade na acurácia da localização assim como sua robustez a condições adversas de operação (e.g., iluminação variável, e tráfico intenso de veículos e pedestres) foram avaliadas quantitativamente. Até onde sabemos, as técnicas de mapeamento e localização, a metodologia para produção dos valores de referência para os experimentos, e a avaliação da acurácia da localização para diferentes mapas de grade são novidades
dc.description.sponsorshipFundação Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES)
dc.formatText
dc.identifier.urihttp://repositorio.ufes.br/handle/10/13746
dc.languagepor
dc.publisherUniversidade Federal do Espírito Santo
dc.publisher.countryBR
dc.publisher.courseDoutorado em Ciência da Computação
dc.publisher.departmentCentro Tecnológico
dc.publisher.initialsUFES
dc.publisher.programPrograma de Pós-Graduação em Informática
dc.rightsopen access
dc.subjectPalavra-chave
dc.subjectCarros autônomos
dc.subjectLocalização
dc.subjectMapas de grade
dc.subjectRobotics
dc.subjectSelf-driving cars
dc.subjectLocalization
dc.subjectGrid maps
dc.subject.br-rjbnsubject.br-rjbn
dc.subject.cnpqCiência da Computação
dc.titleNovel techniques for mapping and localization of self driving cars using grid maps
dc.title.alternative
dc.typedoctoralThesis
Arquivos
Pacote Original
Agora exibindo 1 - 1 de 1
Imagem de Miniatura
Nome:
tese-doutorado-filipe-mutz-2019-4-Corrigida.pdf
Tamanho:
4.66 MB
Formato:
Adobe Portable Document Format
Descrição:
Baixar
Coleções
Doutorado em Ciência da Computação