Multimodale Lokalisierung mittels GNSS

Eine der Herausforderungen des autonomen Fahrens ist die spurgenaue Lokalisierung des Fahrzeugs. Dabei kommen unter anderem globale Navigationssysteme (GNSS) wie GPS oder Galileo zum Einsatz, um eine möglichst genaue Positionsschätzung zu erhalten. Gerade in urbanen Umgebungen treten jedoch vermehrt Reflexionen der GNSS-Signale an Häuserwänden auf und verzerren damit einen Teil der Messungen. Diese Non-line-of-sight-Messungen führen zu Fehlerverteilungen die stark vom Idealmodell eines gaußverteilten Fehlers abweichen. So entstehen Verteilungen mit mehreren Maxima – sogenannte “multimodale” Verteilungen – welche eine spurgenaue Lokalisierung verhindern.

Um solche Messfehler zu kompensieren, können die komplexen Verteilungen bei der Lösung des Lokalisierungsproblems berücksichtigt werden. Allerdings stoßen aktuelle Algorithmen an ihre Grenzen, wenn die Multimodalität so stark ausgeprägt ist dass auch die geschätzte Position multimodal ist.

Im Rahmen der Masterarbeit soll der neuartige Ansatz NF-iSAM (Huang et al., 2021) untersucht werden, welcher ähnlich eines Partikelfilter multimodale Verteilungen repräsentieren kann. Der Ansatz soll gegen einen klassischen Faktorgraphen auf Basis von GTSAM (Dellaert et al., 2022) oder der an unserer Professur entwickelten libRSF (Pfeifer et al., 2022) verglichen werden. Dazu stehen bereits mehrere GNSS-Datensätze aus den urbanen Regionen Berlin, Frankfurt, Hongkong sowie Tokio zur Verfügung.

Weitergehend kann NF-iSAM mittels eines adaptiven Ansatzes nach (Pfeifer and Protzel, 2019) erweitert werden, sodass kein Vorwissen über die Fehlerverteilung vorhanden sein muss.

Voraussetzungen / Vorkenntnisse

• Python, Grundkenntnisse
• MATLAB (optional)
• C++ (optional)

Weiterführende Links zum Thema

• NF-iSAM auf GitHub:
  https://github.com/MarineRoboticsGroup/NF-iSAM

Kontakt / Betreuung

• M.Sc. Tim Pfeifer

Literaturquellen

Dellaert, F. et al. (2022). GTSAM - Georgia Tech Smoothing and Mapping Library. BORG Lab. url: https://github.com/borglab/gtsam (visited on 04/06/2022).

Huang, Q., C. Pu, D. Fourie, K. Khosoussi, J. P. How, and J. J. Leonard (2021). “NF-iSAM: Incremental Smoothing and Mapping via Normalizing Flows”. In: Proc. of Int. Conf. on Robotics and Automation (ICRA). url: https://arxiv.org/abs/2105.05045.

Pfeifer, T. et al. (2022). libRSF - A Robust Sensor Fusion Library. Faculty of Electrical Engineering and Information Technology, TU Chemnitz. url: https://github.com/TUC-ProAut/libRSF.

Pfeifer, T. and P. Protzel (2019). “Expectation-Maximization for Adaptive Mixture Models in Graph Optimization”. In: Proc. of Int. Conf. on Robotics and Automation (ICRA). doi: 10.1109/ICRA.2019.8793601.