Detekce změn v okolí vozidla pomocí 3D dat a agregované 3D mapy

Abstract

V této práci je prezentován nový přístup k detekci změn v okolí jedoucích autonomních vozidel. Práce jsou založeny na 3D mapě vytvořené z 3D měření poskytovaných sadou LiDAR sensorů namontovaných na vozidle. Změny jsou detekovány porovnáním mapy s aktuálními 3D daty. Pro získání vhodné reprezentace 3D scény, navrhujeme tzv. Normal Distribution Transform Belief Mapu (NDT-BM), která kombinuje již existující tzv. Normal Distribution Transform Occupancy Mapu (NDT-OM) a tzv. Transferable Belief Model (TBM). Z NDT-OM používáme strukturu mřížky a schopnost uchovat informace o masové distribuci v každé buňce. TBM je použit pro lepší modelování dynamického chování městského prostředí. Pro detekci změn navrhujeme segmentační proces založený na výpočtu vzdálenosti mezi prvky NDT-BM a novými 3D měřeními. K řešení problémů se šumem jsme použili heuristický přístup založený na shlukování. V reálných experimentech jsme prokázali schopnost NDT-BM správně mapovat statické objekty a vypořádat se s těmi dynamickými. Ukázali jsme, že dokážeme detekovat statické i dynamické změny, a to o různých rychlostí a velikostí.

Novel approach for detecting changes in neighbourhood of moving autonomous vehicles is presented in this thesis. The work is based on a 3D map constructed from 3D measurements provided by set of LiDARs mounted on a vehicle. The changes are detected by comparing the map with current 3D data. To obtain suitable representation of 3D scene, we propose Normal Distribution Transform Belief Map (NDT-BM) which combines known Normal Distribution Transform Occupancy Map (NDT-OM) and Transferable Belief Model (TBM). From NDT-OM we use the grid structure and the ability to preserve information about mass distribution within each cell. TBM is used for better modeling dynamic behavior of urban environment. To detect changes, we propose segmentation process based on computation of distance between elements of NDT-BM and new 3D measurements. To handle a noise in LiDAR's measurements, we established heuristics based on clustering. In real-world experiments we demonstrated the ability of NDT-BM to correctly map static objects and cope with the dynamic ones. We have shown that we are able to detect static and dynamic changes of various speed and size too.