Precise self-localization of autonomous vehicles using lidar sensors and highly accurate digital maps on highway roads - PASTEL - Thèses en ligne de ParisTech Accéder directement au contenu
Thèse Année : 2020

Precise self-localization of autonomous vehicles using lidar sensors and highly accurate digital maps on highway roads

Localisation précise d’un véhicule autonome en utilisant des télémètres lasers et une carte précise de l’environnement sur autoroutes

Résumé

In this thesis, we address the problem of accurate localization of autonomous vehicles on highway roads using LiDAR sensors and a highly accurate third party map. The proposed approach is based on two core modules: perception and map-matching. The perception module uses the 3D data enhanced by the LiDAR reflectivity to detect road primitive features: lane markings, barriers, traffic signs and guardrail reflectors. The map-matching module incorporates these measurements and aligns them against a highly accurate third party map. The map-matching is performed using a particle filter, which we have improved in order to deal with the particle deprivation problem. The proposed improvement uses the road geometry in order to optimize the spatial distribution of particles while maintaining the number of particles constant. To evaluate the proposed method, we compared the localization outputs of our system to a Global Navigation Satellite System (GNSS) with RTK corrections (ground truth). Experiments have been conducted on two highway roads. The first is an experimental test track (CTA2) of 5 km long located at CTA, Renault’s Aubevoye’s Technical Center. This track is designed to exactly replicate a two-lane highway environment. The second is a section of the A13 highway, running from Paris and ending at Aubevoye. The results are promising and show the feasibility of a localization system based on LiDARs alone and with a sparse map data representation.
Dans le cadre de cette thèse, un système de perception à base d’un capteur LIDAR et un système de localisation sur une carte numérique très précise ont été développés dans le contexte des développements des véhicules autonomes. Le système de perception proposé utilise les données 3D augmentées par la réflectivité du LiDAR afin de détecter les marquages au sol, les barrières, les panneaux de signalisation et les rétro-reflecteurs placés sur les barrières ou rails de sécurité dans un environnement autoroutier. Les objets détectés sont ensuite recalés par rapport à une carte numérique très précise. Cette dernière contient les lignes de marquage dans un format spécifique, les panneaux de signalisation ainsi que d’autres attributs sémantiques. Le recalage est assuré via une implémentation d’un filtre particulaire auquel nous avons effectué des améliorations pour optimiser la distribution des particules sans pour autant en modifier le nombre. Cette méthode est appelée: la mise à jour contrainte du filtre. Pour évaluer la méthode proposée, nous avons utilisé un système de navigation satellitaire (GNSS) avec correction RTK comme une vérité terrain et nous avons adopté différentes métriques pour montrer la précision de notre système. Les expériences ont été menées sur deux autoroutes: une piste de test propre à Renault et un tronçon d’environ 50 kilomètres sur route ouverte. Les résultats sont prometteurs et montrent la faisabilité d’un système de localisation fondé sur des LiDARs seuls et avec une représentation éparse des données (sous forme d’amers plutôt que la totalité du nuage de points).
Fichier principal
Vignette du fichier
2020UPSLM028_archivage.pdf (53.3 Mo) Télécharger le fichier
Origine : Version validée par le jury (STAR)

Dates et versions

tel-03052168 , version 1 (10-12-2020)

Identifiants

  • HAL Id : tel-03052168 , version 1

Citer

Farouk Ghallabi. Precise self-localization of autonomous vehicles using lidar sensors and highly accurate digital maps on highway roads. Robotics [cs.RO]. Université Paris sciences et lettres, 2020. English. ⟨NNT : 2020UPSLM028⟩. ⟨tel-03052168⟩
508 Consultations
875 Téléchargements

Partager

Gmail Facebook X LinkedIn More