Локализация автономного транспортного средства в условиях плохого GPS-сигнала

6. Деревья закрывают обзор на части пути, а также, как и на 5-ом участке, распознаются столбы, неотмеченные на карте.

Заключение

В данной работы был рассмотрен алгоритм локализации транспортного средства в условиях плохого GPS-сигнала, основанный на использовании информации о местности. Фильтр частиц совместно с фильтром Калмана выдают отличные результаты. Точность локализации до 2 метров, при ошибке GPS в 15 метров.

В рамках выполнения основной задачи было проведено исследование в области локализации автономных транспортных средств. Рассмотрены различные методы решения смежных проблем. Придуман собственный алгоритм, решающий поставленную задачу, и реализовано ПО на его основе. Проведены эксперименты для оценки результатов работы алгоритма с разными параметрами и в разных условиях.

При тестировании было выявлено, что алгоритм плохо устойчив к окклюзии статических объектов и функционирует некорректно при их отсутствии в поле зрения. Для улучшения точности в дальнейшем можно применить следующие решения:

· Использовать только прогнозирование в фильтре частиц и в фильтре Калмана при отсутствии статических объектов в зоне видимости.

· Детектировать с помощью семантической сегментации объекты, которые могут закрывать обзор и учитывать это при составлении гистограмм в фильтре частиц.

· Воспользоваться визуальной одометрией, чтобы получать корректные результаты на поворотах.

· Применить трекинг для столбов, чтобы избавиться от шума семантической сегментации и улучшить детектирование.

· Разметить на карте столбы в радиусе 50 метров от трамвайных путей.

Список литературы

Real Time Kinematic. URL: https://ru.wikipedia.org/wiki/Real_Time_Kinematic (дата обращения 13.03.2020).

Введение в SLAM. URL: https://www.singularis-lab.com/docs/materials/04_01_SLAM.pdf (дата обращения 13.03.2020).

Детекторы углов. URL: https://habr.com/ru/post/244541/ (дата обращения 13.03.2020).

Детекторы и дескрипторы особых точек. URL: https://habr.com/ru/post/414459/ (дата обращения 03.04.2020).

Ethan Rublee, Vincent Rabaud, Kurt Konolige, Gary Bradski. ORB: an efficient alternative to SIFT or SURF. In ICCV, 2011.

OpenCV: Optical Flow. URL: https://docs.opencv.org/3.4/d4/dee/tutorial_optical_flow.html (дата обращения 01.04.2020).

То, что вы хотели знать про оптический поток. URL: https://habr.com/ru/post/201406/ (дата обращения 17.02.2020).

OpenCV: Camera Calibration and 3D Reconstruction. URL: https://docs.opencv.org/2.4/modules/calib3d/doc/camera_calibration_and_3d_reconstruction.html (дата обращения 20.04.2020).

Nabil Zhafri Mohd Nasir, Muhammad Aizzat Zakaria, Saifudin Razali, Mohd Yazid bin Abu. Autonomous mobile robot localization using Kalman filter. In MATEC, 2017.

Фильтра Калмана. URL: https://habr.com/ru/post/166693/ (дата обращения 20.04.2020).

Простыми словами о фильтре частиц. URL: https://habr.com/ru/post/276801/ (дата обращения 10.04.2020).

OpenCV: Histogram Comparison. URL: https://docs.opencv.org/2.4/doc/tutorials/imgproc/histograms/histogram_comparison/histogram_comparison.html (дата обращения 21.04.2020).

Tyler G. R. Reid et al. Localization requirements for autonomous vehicles. URL: https://arxiv.org/pdf/1906.01061v1.pdf

Marcus A. Brubaker, Andreas Geiger and Raquel Urtasun. Lost! Leveraging the Crowd for Probabilistic Visual Self-Localization. In CVPR, 2013. URL: http://www.cs.toronto.edu/~mbrubake/projects/CVPR13.pdf

Erik Stenborg et al. Long-term Visual localization using semantically segmented images. URL: https://deepai.org/publication/long-term-visual-localization-using-semantically-segmented-images

Erik Stenborg. Localization for autonomous vehicles. URL:http://publications.lib.chalmers.se/records/fulltext/252423/252423.pdf

Robert Spangenberg. Landmark-based localization for autonomous vehicles. URL:https://d-nb.info/1099282942/34

Приложение

Диаграмма логики работы алгоритма

Размещено на Allbest.ru