Mapování vodorovného značení a lokalizace autonomního auta F1/10 pomocí kamery

Abstract

V práci se zabýváme vybudovánı́m systému, který umožnı́ orientaci autonomnı́ho auta v neznámém prostředı́. Jako primárnı́ senzor pro tuto úlohu využı́váme kameru. Náš systém detekuje vodorovné značenı́ vozovky z jednotlivých obrázků, které posílá kamera při jı́zdě auta. Detekované značenı́ použı́váme jako orientačnı́ body pro vybudovánı́ fragmentu mapy, který odpovı́dá aktuálně pozorovanému prostředı́. Pomocı́ existujı́cı́ho řešenı́ 2D SLAMu (Cartographer; určené pro řešenı́ SLAMu s použitı́m LIDARu) náš systém vytvářı́ globálnı́ mapu z nahromaděných lokálnı́ch fragmentů a následně v nı́ lokalizuje aktuálnı́ pozici auta. 2D SLAM použı́vá modernı́ algoritmy párovánı́ skenů a uzavı́ránı́ smyček k tvorbě konzistentnı́ globálnı́ mapy. Celý systém je implementován pro využitı́ v ROSu (Robotický Operačnı́ Systém). Řešenı́ problému ověřujeme pomocı́ experimentů, které realizujeme na rozličných trasách se zmenšeným modelem auta F1/10. Při nı́zké rychlosti vozidla na jednoduché trase vykazuje lokalizace velmi přesné výsledky, konkrétně chyba pozice je v průměru 0.14 m, avšak se stoupajı́cı́ rychlostı́ auta a složitostı́ trasy přesnost systému rychle upadá. V této práci zkoumáme možné přı́činy těchto problémů a navrhujeme jejich řešenı́.

This thesis focuses on building a navigation system for an autonomous vehicle in an unknown environment. We use a single monocular camera as a primary sensor input. We build a system for detection of road lane markings from individual camera images. We then use these detected markings as landmarks for building a map fragment of the currently perceived surroundings. To create a global map and localise within it, we use an existing 2D LIDAR-based SLAM solution (Cartographer), which employs modern scan matching and loop closure algorithms. We build the whole system for Robotic Operating System (ROS) and verify the solution on various experimental tracks using a scaled-down model of a car called F1/10. In the scenario with low speed and low track complexity, the localisation shows accurate results (mean position error of 0.14 m) and loop closure manages to build an accurate and consistent map. However, the results show that the performance quickly deteriorates with a higher speed and a higher track complexity. We suggest possible causes and solutions.