| Summary: | State-of-the-art LIDAR odometry techniques are exceptionally precise. However, while they solve the localization problem, they perform mapping on-the-run, not being able to close loops, neither re-localize in previously visited environments. This study is concerned with the development of a system that combines an accurate laser odometry estimator, with algorithms for place recognition in order to detect trajectory loops. This project uses widely available datasets from urban driving scenarios and outdoor areas for development and evaluation of the system The results obtained confirm that loop closure detection can significantly improve the accuracy and robustness of laser SLAM pipelines, with detectors based on point cloud segments and visual features displaying very strong performance during the evaluation phase. === Spjutspetsen inom Lidar-baserade teknik för fordonsodometri har den senaste tiden uppnått exceptionella nivåer av noggrannhet. Med det sagt har de metoder som presenterats fokuserat på att lösa lokaliseringsproblemet och därför gjort förenklande antaganden såsom att de sköter kartläggning av miljön löpande utan platsåterkoppling, och att de inte kan återlokalisera i tidigare kända miljöer. Således utvecklar vi i detta arbete ett system som kombinerar dessa noggranna lidarodometriska tekniker med algoritmer för platsigenkänning för att möjliggöra loopdetektion. Vi använder vitt tillgängliga dataset av körning i stadstrafik samt i utomhusområden för utveckling och utvärdering av systemet. Resultaten visar att platsåterkoppling förbättrar noggrannheten hos Lidar-baserade lokaliseringsmetoder och gör dem mer robusta, samt att man med hjälp av detektorer baserade på punktmolnssegmentering och visuella särdrag erhåller ett system som uppvisar mycket goda resultat under utvärderingsfasen.
|
|---|
