Lokalizace autonomního vozidla

Abstract

Vývoj elektronických asistenčních systémů v automobilech, počínaje druhou polovinou 20. století, významně zvedá poptávku po precizních měřeních dat o stavu vozidla. S nástupem autonomních aut a přeaktuovaných vozidel, jejichž kritické řídící szstémy na tato data spoléhají se spolehlivá dostupnost těchto dat stává zásadní. Tato práce, s ohlédnutím na výše popsaný problém, má za cíl vývoj systému pro senzorickou fůzi dat s použitím dostupné výpočetní techniky. Tento systém pro senzorickou fůzi dat bude vyvýjen pro platformy výzkumného střediska SDS. Tento systém má dvě hlavní části, komplementární filtr, používající data z GNSS, IMU a odometrie kol pro odhad směru vozidla a podélné a příčné rychlosti. Druhou částí je rozšířený kalmanův filtr, převzaný z původní verze napsané v Matlabu do podoby schopné fungovat v reálném čase a napsané v C++ tak, aby byla zajištěno snadné přemigrování szstému na jinou platformu a také jeho integrace do prostředí systému ROS2.Tento filtr přidává k už zmíněným zdrojům dat ještě vizuální odometrii a mezi jeho výstupz patří všechna důležitá data pro jízdní dynamiku - slip angle, heading, yaw rate, longitudinal and lateral velocities, and body velocity.\\ Validace experimenty byla provedena na platformě ToMi2 - zmenšeného model přeaktuovaného vozidla. Navzdory některým fyzickým a vybavenostním limitacím se povedlo prokázat, že navržené systémy fungují. Tato práce dokázala, že navrhnout systém pro senzorickou fůzi dat použitelný na vestavěných počítačových platformách a schopný funkce v reálném čase je možné s běžně dostupným vybavením a přístroji. Zároveň je možno s takovýmto systémem konkurovat i porfesionálním zařízením.

The evolution of electronic driver assistance systems, from the second half of the 20th century, has significantly increased the demand for accurate vehicle state data. Nowadays the demand is critical with the advent of autonomous and overactuated vehicles, whose critical vehicle systems rely on accurate and reliable vehicle state estimation. This thesis addresses these needs by developing an in-house sensor fusion system for vehicle state estimation. The sensor fusion system will be developed on embedded vehicle platforms built by the SDS Research Center. The sensor fusion solution has two parts. The complementary filter merges data from GNSS, IMU, and wheel odometry to provide estimates of longitudinal and lateral velocities and vehicle heading. And the EKF, adapted from a Matlab-based offline original to a real-time C++ implementation modular to be integrable to multiple vehicle platforms and also into ROS2 environment. The EKF estimates all important vehicle dynamics states - slip angle, heading, yaw rate, longitudinal and lateral velocities, and body velocity.\\ Experimental validation was conducted on the ToMi2 platform, a sub-scale vehicle designed for testing advanced driver assistance systems. Despite the physical and hardware limitations of the platforms, the implemented sensor fusion solutions showed reliable state estimation. The thesis demonstrated that the development of a real-time in-house sensor fusion system on embedded hardware can match the performance of professional equipment.