HAW Hamburg Anwendung 1 - Vortrag Andrej Rull

Transkript

1 HAW Hamburg Anwendung 1 - Vortrag Andrej Rull

2 Gliederung o Motivation o Der Anwendungsfall o Das SLAM Problem o Lösungsansätze und Algorithmen o Zusammenfassung o Ausblick auf AW2 2

3 Motivation Wofür überhaupt Kartierung? Orientierung nur anhand von Kameradaten praktisch solang die Strecke erkannt wird Hinderniserfassung praktisch, solang die Fahrgeschwindigkeit nicht zu hoch ist System stabil, solang Kamera und Sensoren werte liefern Ausfall der Kamera und der Sensoren führt zum Totalausfall des Systems 3

4 Anwendungsfall Was ist das Ziel? Fahrzeug fährt Strecke ab Prototyp einer Karte wird erstellet Selbstlokalisierung nur Anhand der Odometrie ungenau Selbstlokalisierung auf der Strecke wird Anhand der Wiedererkennungsmerkmale optimiert Karte Rekonstruiert sich selbst Bereitstellen einer genauen Karte in Form von geometrischen Rastern 4

5 Anwendungsfall 5

6 Positionsbestimmung und Verifikation Eindeutige Beschreibung der Position im Weltmodell durch den Vektor: pos x = y ϕ Absolute Positionsbestimmung Position anfangs unbekannt Lokalisierung durch wiedererkannte Umgebungsmerkmale in eine metrischen Karte Relative Positionsbestimmung Startposition des Fahrzeugs bekannt Aktualisierung der Position durch Wegmessungen Korrektur der Position durch wiedererkennte Umgebungsmerkmale 6

7 Odometriebasierte Positionsbestimmung Positionsbestimmung anhand von Wegmessungen pro Zeiteinheit T Orientierungsberechnung: Positionsberechnung: pos k + 1 ϕ x = y = k k + s + s s k k l d s ϕ sin walt + 2 ϕ cos walt + 2 wk + ϕk r 7

8 Odometriebasierte Positionsbestimmung (2) Vorteil einfache Berechnung, keine Angaben über den Lenkwinkel nötig auf kurzen Strecken genau Nachteil Bodenwellen, Hindernisse und Schlupf führen zu Fehlern in der Berechnung Fehlerfortpflanzung bei längerer Fahrt 8

9 Odometriebasierte Positionsbestimmung (2) Vorteil einfache Berechnung, keine Angaben über den Lenkwinkel nötig auf kurzen Strecken genau Nachteil Bodenwellen, Hindernisse und Schlupf führen zu Fehlern in der Berechnung Fehlerfortpflanzung bei längerer Fahrt 9

10 Das SLAM Problem Simultaneous Localization and Mapping Fahrzeug braucht genaue Position um korrektes Weltmodell zu erzeugen eine genaue Position, kann nur durch ein korrektes Weltmodell bestimmt werden benötigten Größen für die Weltmodellierung: X T = x, x, x,, x } { T Positionsd aten U T = u, u, u,, u } { T Odometried aten Z T = z, z, z,, z } { T Messdaten 10

11 Das SLAM Problem (2) Weltmodell setzt sich zusammen aus Positionsdaten und Messdaten m = { X T, Z T SLAM muss Weltmodell rekonstruieren, sowie die Positionsdaten korrigieren } 11

12 Das SLAM Problem (2) 12

13 SLAM Lösungsansätze Bilden einer stochastischen Karte Odometrie vertrauen Landmarken extrahieren bzw lokale Sensorkarten abspeichern Karte = Graph von lokalen Sensorkarten bzw Menge von Landmarken in der Umgebung Rekonstruktion der Karte und Positionsbestimmung durch Abgleich der Landmarken bzw der Sensorkarten 13

14 SLAM Lösungsansätze Benötigte Modelle: Mathematisches Modell Messungsbasiertes Modell Lösungsansätze Extended Kalman Filter Partikel Filter Hypothesen Bildung (ATLAS Framework) 14

15 Extended Kalman Filter Definition: stochastischer Zustandsschätzer des Systems Zustand ist ein Vektor mit Positionsdaten und Feature Koordinaten Vektorgröße: 3+2N Positionsvektor + N*Landmarkenkoordinaten lineare Abhängigkeiten der Variablen durch Kovarianzmatrix angegeben 15

16 Extended Kalman Filter (2) Kovarianzmatrix enthält: Kovarianz der Fahrzeugposition Kovarianz der Features in der Umgebung Kovarianz zwischen Fahrzeugposition und Features Kovarianz zwischen einzelnen Features C( x) C C1 = C pp p np C C C p1 11 n1 C C C pn 1n nn 16

17 Extended Kalman Filter (3) Aktualisierung in drei Schritten: Update by Odometry Update by Re observation New observation 17

18 Extended Kalman Filter (4) 18

19 ATLAS Framework Repräsentation der Karte als Graph von lokalen Koordinatenframes Frames = Messdaten + relative Position d Fahrzeugs kein globales Koordinatensystem, sondern mehrere lokale Map Matching um Transformation zwischen Frames rauszufinden Hypothesen um neue Frames zu erzeugen, Frames zu löschen und Frames zu Verbinden Korrektur pflanzt sich zurück am Pfad entlang bspw Positionsfehler 19

20 ATLAS Framework Repräsentation der Karte als Graph von lokalen Koordinatenframes Frames = Messdaten + relative Position d Fahrzeugs kein globales Koordinatensystem, sondern mehrere lokale Map Matching um Transformation zwischen Frames rauszufinden Hypothesen um neue Frames zu erzeugen, Frames zu löschen und Frames zu Verbinden Korrektur pflanzt sich zurück am Pfad entlang bspw Positionsfehler 20

21 Lokale Frames 21

22 Zusammenfassung Karte unterstützt Fahrzeug bei Ausfall von Sensorik, sowie der Orientierung in der Umgebung genaue Kartegenerierung nur mit einer genauen Position möglich genaue Positionsbestimmung nur mit einer genauer Karte möglich stochastische Kartegenerierung und Positionsschätzung weniger Berechnungsaufwand durch lokale Frames 22

23 Ausblick auf AW2 Lokale Frames: Kurveneingang Kurvenausgang Stopplinien Kreuzungen Geraden Positionsberechnung durch Odometrie Überprüfen der Position durch Map Matching IDC Algorithmus um Transformation zu bestimmen Rekonstruktion des Graphen durch Aktualisierung des Positionsvektors in jedem lokalem Frame 23

24 Danke für Ihre Aufmerksamkeit! 24