LiDAR als virtuelle Odometrie mit Unsicherheitsschätzung

Die Professur für Prozessautomatisierung beschäftigt sich in der Forschung sowie der Lehre mit dem Thema der autonomen mobilen Robotik. Ein damit verbundenes Gebiet beschäftigt sich mit der Fusion von verschiedenen Sensordaten zur Zustandsschätzung. Mehrere Sensoren sind auf unserer mobilen Plattform (Lange et al., 2016) angebracht und liefern Daten. Abhängig vom Sensor durchlaufen diese Daten Vorverarbeitungsschritte und tragen letztendlich über einen optimierungsbasierten Ansatz zur Zustandsschätzung bei.

Einer dieser Sensoren ist ein Velodyne VLP-16 LiDAR-Sensor mit einer Reichweite von 100 m, einem Blickwinkel von 360° und 16 Scanebenen. Um bei der Verwendung eines optimierungsbasierten Zustandsschätzers weiterhin eine Online-Lösung (zur Verwendung in einem Echtzeitsystem) zu erhalten, sollen die Informationen des Sensors zunächst in eine Relativbewegung umgewandelt werden. Dabei ist es für eine korrekte Arbeitsweise der Zustandsschätzung entscheidend, dass die neue, virtuelle, Messung eine Unsicherheit (Wichtung) in Form einer Kovarianzmatrix enthält. Man spricht bei diesem Vorgehen von einer sog. Loosely-Coupled Integration des Sensors in die Zustandsschätzung.

In der anzufertigenden Arbeit steht genau dieser Vorverarbeitungsschritt im Fokus. Verschiedene Scan-Matching Verfahren (Registrierungsverfahren) existieren bereits, doch wird zumeist die korrekte Schätzung der Kovarianzmatrix vernachlässigt. In vergangen Arbeiten (Haggag et al., 2022) haben wir diese Aufgabe bereits für einen Radar-Sensor gelöst und auf entsprechenden Quellcode (Lange et al., 2022) kann zurückgegriffen werden. Für den LiDAR-Sensor sollen analoge Lösungsmöglichkeiten untersucht werden. Bspw. kann mit dem 2-dimensionalen Fall begonnen werden und eine erste Lösungsmöglichkeit könnte ICP im Zusammenhang mit (Prakhya et al., 2015) darstellen. Erweitert auf 3D, bietet bspw. NDT (Hong and Lee, 2017) einen Lösungsansatz. Zusammen mit dem Quellcode aus (Prakhya et al., 2015) kann eine entsprechende Kovarianzmatrix ermittelt werden, auch wenn NDT aufgrund von Näherungslösungen keine korrekte Unsicherheit zurückgibt. Ein weiterer Ansatz, der untersucht werden soll, ist die Verwendung von NDT im Zusammenhang mit der wahrscheinlichkeitstheoretisch korrekten Lösung aus (Haggag et al., 2022).

Voraussetzungen / Vorkenntnisse:

Linux-Kenntnisse sind von Vorteil
C++, Grundlagen
MATLAB, Grundlagen

Weiterführende Links zum Thema:

Können erfragt werden.

Kontakt / Betreuung:

Dr.-Ing. Sven Lange

Literaturquellen

: Haggag, K., S. Lange, T. Pfeifer, and P. Protzel (2022). “A Credible and Robust Approach to Ego-Motion Estimation Using an Automotive Radar”. In: IEEE Robotics and Automation Letters. issn: 2377-3766. doi: 10.1109/LRA.2022.3162644. early access, to appear in IEEE Robotics and Automation Letters.
: Hong, H. and B. H. Lee (2017). “Probabilistic Normal Distributions Transform Representation for Accurate 3D Point Cloud Registration”. In: Proc. of Intl. Conf. on Intelligent Robots and Systems (IROS), pp. 3333–3338. doi: 10.1109/IROS.2017.8206170.
: Lange, S. et al. (2022). libMix4SAM - Mixtures for Smoothing and Mapping Library. Faculty of Electrical Engineering and Information Technology, Technische Universität Chemnitz. url: https://github.com/TUC-ProAut/libmix4sam (visited on 04/06/2022).
: Lange, S., D. Wunschel, S. Schubert, T. Pfeifer, P. Weissig, A. Uhlig, M. Truschzinski, and P. Protzel (2016). “Two Autonomous Robots for the DLR SpaceBot Cup – Lessons Learned from 60 Minutes on the Moon”. In: Proc. of Intl. Symposium on Robotics (ISR), pp. 1–8. isbn: 978-3-8007-4231-8.
: Prakhya, S. M., L. Bingbing, Y. Rui, and W. Lin (2015). “A Closed-Form Estimate of 3D ICP Covariance”. In: Proc. of Intl. Conf. on Machine Vision Applications (MVA), pp. 526–529. doi: 10.1109/MVA.2015.7153246.