Sledování jízních pruhů na bázi LIDAR dat pomocí Kalmova filtrování a jeho fúze s kamera daty

Abstract

Tato práce je věnována porovnání několika technik estimace jízdních pruhů s různými modely geometrie vozovky za využití veřejně dostupných dat z LIDARu a kamer. Za tímto účelem byl vyvinut celý framework pro zpracování dat a vyhodnocování chyb. Znalost toho, jak se prezentované metody chovají za konkrétních okolností a jaké jsou ve srovnání mezi sebou, je nezbytná při vývoji nových pokročilých asistenčních systémů pro řidiče. Pro srovnání byl zvolen Kalmanův filtr pro estimaci parametrů jízních pruhů a algoritmus RANSAC s modely silnic polynomu prvního, druhého a třetího stupně. Poslední zmíněný model, který je aproximací klotoidy, vykazoval nejlepší výsledky jako model pro Kalmanův filtru. Navrhovaná adaptivní verze Kalmanova filtru schopná přepínat mezi modely přinesla pouze drobná vylepšení, ale je potřeba dalšího testování. RANSAC jako samotný si vedl špatně, ale úkázal slibné výsledky v přítomnosti vysokého šumu. A to zejména jako předfiltr pro měření v kombinaci s Kalmanovým filtrem. Vytvořený framework lze použít k porovnání jiných technik estimace jízdních čar a dále přispět k rozvoji asistenčních systémů řidiče.

This thesis is devoted to the comparison of several lane estimation techniques with different underlying road geometry models with the use of publicly available LIDAR and camera data. For this purpose, a whole framework was developed for data processing and error evaluation. Knowledge of how the presented methods behave under specific circumstances and how they compare with each other is essential in the development of new advanced driver assistance systems. The Kalman filter for lane parameters estimation and RANSAC algorithm were chosen for comparison, with first, second, and third degree polynomial road models. The last mentioned model, which is an approximation of a clothoid, showed the best results as the Kalman filter model. A proposed adaptive version of the Kalman filter capable of switching between models showed only minor improvements, but further testing is needed. The RANSAC alone performed poorly, but showed promising results in the presence of outliers. Especially as a pre-filter for the measurements when combined with the Kalman filter. The framework created can be used to compare other lane estimation techniques and contribute further to the development of driver assistance systems.