Navigační systém pro autonomní studentskou formuli

Abstract

Tato práce představuje návrh a implementaci navigačního systému pro studentskou autonomní formuli účastnící se soutěže Formula Student. Konkrétně tato práce navrhuje real-time implementaci problému Simultánní lokalizace a mapování (SLAM). V tomto problému je mobilní robot umístěn do neznámého prostředí. Robot se v tomto prostředí pohybuje a za použítí senzorů vytváří virtuální mapu a zároveň se v této mapě lokalizuje. Tato práce rozebírá relevantnost SLAMu pro soutěž Formula Student. Následně je uveden teoretický přehled SLAMu z pravděpodobnostního hlediska. Poté je navržena paralelní real-time implementace algoritmu FastSLAM 1.0 využívající GPU. Zároveň je poskytnut podrobný popis naší implementace zahrnující celou architekturu, použité technologie a datové struktury. Navrhovaná implementace je vyhodnocena na sérii simulovaných a reálných datasetů, kde se měří její přesnost a rychlost. V porovnání s implementací od Python Robotics naše implementace dosahuje vyšší přesnosti a je několikařádově rychlejší. Na základě těchto experimentálních výsledků vyvozujeme, že naše implementace je vhodná pro real-time navigační systém autonomní formule.

The thesis presents the design and implementation of a navigation system for an autonomous formula participating in the Formula Student competition. In particular, the thesis proposes a real-time implementation of the Simultaneous localization and mapping problem (SLAM). In this problem, a mobile robot is placed in an unknown environment. The robot moves through the environment and uses the information from its sensors to construct a virtual map and simultaneously localize itself within the map. The thesis discusses the relevance of SLAM to the Formula Student competition. Following, a thorough theoretical overview of SLAM from the probabilistic viewpoint is provided. Then, a parallel real-time implementation of FastSLAM 1.0 using GPUs is proposed. We provide a detailed description of our implementation encompassing the whole architecture, the technologies, and data structures used. The proposed implementation is evaluated on a series of simulated and real-world datasets assessing the accuracy and performance. Compared to the implementation provided by Python Robotics, our implementation achieves higher accuracy while being orders of magnitude faster. Based on the experimental results, we conclude that our implementation is suitable for a real-time navigation system for an autonomous formula.