Přesné měření vlastní trajektorie vozidla

Abstract

Tato diplomová práce se zabývá odhadováním vlastní trajektorie vozidla na základě měření z inerciální jednotky, jež by mohlo být důležitým prvkem autonomního a asistovaného řízení. Výchozím testovaným algoritmem s vynikajícími výsledky byla metoda AI-IMU Dead-Reckoning Brossard et al., 2019. Podstatou metody je filtrování zašuměných dat za pomoci Invariantního Rozšířeného Kalmanova Filtru, který jako zdroj šumových parametrů využívá neuronové sítě. V rámci práce byly ověřeny publikované výsledky a doplněny nejasnosti v původním článku. Dále byl vygenerován dataset vhodný pro testování inerciálních metod lokalizace. Na syntetickém datasetu byla testována přesnost a robustnost algoritmů v závislosti na šumových intenzitách. Měřící TOMI RC subscale platforma byla upravena pro potřeby tohoto typu měření a současně byl vytvořen dataset obsahující referenční trajektorii, inerciální data a kamerové záznamy. AI-IMU Dead-Reckoning metoda byla laděna a testována na nově vytvořeném datasetu. Na obou datasetech syntetickém i reálném bylo měřeno až 20% zlepšení oproti konvenčním metodám Kalmanovy filtrace.

This diploma thesis deals with the estimation of the trajectory of a vehicle which is based on data captured by inertial measurement units. The IMU based trajectory estimation should be a significant part of autonomous and assisted driving control. We primarily tested algorithm AI-IMU Dead-Reckoning Brossard et al., 2019 which reports impressive results. The core of this method is Invariant Extended Kalman filter which uses Deep Neural Networks as the source of the noise parameters. Besides testing the algorithm we attempted to clarify the original paper. The synthetized dataset for the inertial algorithm tests was proposed and compared to the algorithms depending on the noise parameters. TOMI RC subscale platform, developed by researchers at CTU in Prague, was adjusted to provide dataset with the ground-truth trajectory, the inertial data and the stereo-camera images. Throughout the testing, it was proved that AI-IMU Dead-Reckoning method proposes the improvement up to 20 % in comparison with the conventional methods based on Kalman filtering.