Estimación del mapa local para un vehículo autónomo
Professor Advisor
dc.contributor.advisor
Ruiz del Solar, Javier
Author
dc.contributor.author
Herrmann Priesnitz, Daniel
Staff editor
dc.contributor.editor
Facultad de Ciencias Físicas y Matemáticas
Staff editor
dc.contributor.editor
Departamento de Ingeniería Eléctrica
Associate professor
dc.contributor.other
Orchard Concha, Marcos
Associate professor
dc.contributor.other
Torres Torriti, Miguel
Admission date
dc.date.accessioned
2016-04-13T20:47:10Z
Available date
dc.date.available
2016-04-13T20:47:10Z
Publication date
dc.date.issued
2015
Identifier
dc.identifier.uri
https://repositorio.uchile.cl/handle/2250/137793
General note
dc.description
Magíster en Ciencias de la Ingeniería, Mención Eléctrica
General note
dc.description
Ingeniero Civil Eléctrico
Abstract
dc.description.abstract
El objetivo de esta tesis es diseñar e implementar un sistema de modelamiento del entorno. Este debe recibir como entradas la morfología del terreno, imágenes segmentadas y el la pose del auto y generar en base a estas variables un modelo del entorno (\textit{Mapa Local)} que permita a otro módulo posterior la generación de trayectorias seguras para el vehículo. Este sistema corresponde al módulo \textit{Estimador Mapa Local} del proyecto \textit{Vehículo Autónomo} del AMTC.
El diseño del sistema toma ideas de diversas fuentes, muchas de ellas de vehículos participantes del DARPA Grand Challenge 2005, ya que este desafío es muy similar al problema que se desea resolver. Se utilizan datos de segmentación visual y de sensores de rango, fusionando ambas fuentes de información para obtener un modelo del entorno, denominado \textit{Mapa Local}, más preciso y robusto que cualquiera de las dos entradas de manera independiente.
Se comparan dos variantes de detecciones de obstáculos en base a las mediciones de sensores de rango. El primer método, denominado método de frecuencias, toma la información y calcula la energía en diferentes bandas de frecuencia e intenta estimar la navegabilidad del terreno en base a estos valores. El segundo método, de diferencias de altura, tiene un enfoque similar, sin embargo calcula la mayor diferencia de altura de un punto central con una vecindad de diferentes radios, luego se utilizan dichos valores de la misma manera que en el método anterior. En ambos casos se estudia el efecto de utilizar o no la información de la segmentación visual para complementar la caracterización. Tomando las características disponibles para cada método, se estima el costo de que el vehículo navegue por cada lugar del entorno, costos altos implican peligro, mientras que bajos indican zonas seguras para la navegación. Es justamente esta caracterización del entorno, en base a costos, la que se denomina \textit{Mapa Local}.
Para probar las diferentes variantes del sistema se graban 4 diferentes bases de datos, correspondientes a mediciones realizadas por el vehículo mientras era conducido manualmente. Se diseñan medidas de desempeño para comparar el rendimiento de las variantes. Estas intentan reflejar la cantidad de eventos fatales (choques), eventos indeseados (paradas frente a detecciones falsas de obstáculos) y conducción normal, que el vehículo hubiera encontrado si fuese conducido por el sistema. Estas características se calculan para diferentes velocidades de conducción, por lo que para cada variante probada se tienen 4 curvas que caracterizan su desempeño.
Al comparar los métodos propuestos se logra concluir que la información visual enriquece el \textit{Mapa Local} y logra un mejor desempeño, siempre y cuando se logre una fusión con bajos errores, en caso contrario esta información puede producir bajas de rendimiento. En cuanto a los métodos de detección de obstáculos, el método de diferencias de altura obtuvo una ligera ventaja en el desempeño, pero esta es muy poco significativa para seleccionar uno por sobre el otro.