Summary: | Simultaneous Localization and Mapping (SLAM) is one of the fundamental problems to solve for any autonomous vehicle or robot. The SLAM problem is for an agent to incrementally build a map of its surroundings while keeping track of its location within the map, using various sensors. The goal of this thesis is to demonstrate the differences and limitations of different odometry methods when used as the prior motion estimate for the common SLAM algorithm EKF-SLAM. Inspired by autonomous racing, the algorithms were evaluated for especially difficult driving scenarios such as high velocities and while the car was skidding. Three different odometry algorithms that all rely on different sensors were implemented; The feature based stereo visual odometry algorithm Libviso2, the lidar odometry algorithm Range Flow-based 2D Odometry (RF2O), and wheeled odometry fused with measurements of the vehicles angular velocity from a gyroscope. The different algorithms were evaluated separately on real data that was gathered by running a modified RC car equipped with the necessary sensors around different racing track configurations. The car was driven for different levels of aggressiveness, where more aggressive driving implies a higher velocity and skidding. The SLAM estimate of the vehicle position and cone locations were evaluated in terms of mean absolute error (MAE) and computational time, for all motion priors separately on each track. The results show that Libviso2 provides an accurate prior motion estimate with consistent performance over all test cases. RF2O and the wheeled odometry approach could in some of the cases provide a prior motion estimate that was sufficient for accurate SLAM performance, but performed poorly for other cases. === Simultan lokalisering och kartläggning (SLAM) är ett grundläggande problem att lösa för alla typer av autonoma fordon eller robotar. SLAM handlar om problemet för en agent att inkrementellt konstruera en karta av sin omgivning samtidigt som den håller koll på sin position inom kartan, med hjälp av diverse sensorer. Målet med detta examensarbete är att demonstrera skillnader och begränsningar för olika metoder att uppskatta bilens momentana förflyttning, när denna momentana förflyttning används som en fösta skattning av bilens rörelse för SLAM-algoritmen EKF-SLAM. Utvärderingen grundar sig i autonom motorsport och de undersökta algoritmerna utvärderades under speciellt svåra förhållanden så som hög hastighet och när bilen sladdar. Tre olika metoder för att skatta bilens momentana förflyttning implementerades där samtliga metoder baseras på data från olika sensorer. Dessa var den visuella metoden Libviso2 som använder stereokameror, den flödesbaserade metoden RF2O som använder en 2D lidar, samt en metod som baseras på hjulens rotationshastighet som kombinerades med fordonets uppmätta vinkelhastighet från ett gyroskop. De olika algoritmerna utvärderades separat på data som genererats genom att köra en modifierad radiostyrd bil runt olika banor utmarkerade av trafikkoner, samt för olika nivåer av aggressiv körstil. Estimeringen av bilens bana och konernas positioner jämfördes sedan separat i termer av medelabsolutfel samt beräkningstid för varje metod och bana. Resultaten visar att Libviso2 ger en bra skattning av den momentana förflyttningen och presterar konsekvent över samtliga tester. RF2O och metoden baserad på hjulens rotationshastighet var i vissa fall tillräckligt bra för korrekt lokalisering och kartläggning, men presterade dåligt i andra fall.
|