PCE-SLAM: A real-time simultaneous localization and mapping using LiDAR data

Agrawal, Pragya; Iqbal, Asif; Russell, Brittney; Hazrati, Mehmaz Kh.; Kashyap, Vinay; Akhbari, Farshad

doi:10.1109/ivs.2017.7995960

Cited by 18 publications

(6 citation statements)

References 15 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Algoritmo heurístico: Este algoritmo hace el uso de medias y distancias para identificar las características de cada objeto. Haciendo un etiquetamiento mediante la obtención de la distancia euclidiana entre dos puntos consecutivos como se indica en la ecuación (1). Si dicha distancia es menor a un umbral predefinido significa que la característica corresponde al mismo objeto.…”

Section: Identificación De Características De Cada Objetounclassified

“…Por ejemplo, maquinaria terrestre no tripulada provee una herramienta efectiva en faena para la inspección, extracción y acarreo de minerales; sin embargo, las condiciones hostiles del ambiente y superficies cerradas deniegan la localización del vehículo mediante GPS, lo cual es parte fundamental para la navegabilidad autónoma. Es así como se han planteado alternativamente los Sistemas de Localización y Mapeo Simultáneo (o SLAM) [1], los cuales comprenden una estrategia clave para que robots móviles puedan navegar de manera autónoma a lo largo de trayectorias o caminos en ambientes desconocidos, donde la señal GPS puede estar ocluida por condiciones del robot o entorno [2]- [4]. La idea fundamental de SLAM radica en la estimación simultánea del trayecto que describe un robot y un mapa construido por sensores propioceptivos o exteroceptivos.…”

Section: Introductionunclassified

See 1 more Smart Citation

Localización simultánea y mapeo para control de un robot móvil autónomo usando escaneo de nube de puntos LiDAR y métodos de aprendizaje de máquina

Urvina Córdova,

Aguilar Torres,

Prado Romo

2023

Ingeniare. Rev. chil. ing.

View full text Add to dashboard Cite

Este artículo presenta técnicas alternativas de localización y mapeo simultáneo del ambiente, que permiten a los robots móviles auto referenciarse en un ambiente de navegación de reducida accesibilidad al posicionamiento mediante medios externos, como Sistemas de Posicionamiento Global (o GPS por sus siglas en inglés). La metodología consiste en implementar cuatro algoritmos de aprendizaje de máquina no-supervisado. Utilizando conjuntos de datos que se generan en base a una nube de puntos de rango entregados por las mediciones de un sensor LiDAR (o Detección de Luz y Rango por sus siglas en inglés). El enfoque propuesto identifica las características del mapa de navegabilidad y un método adicional, basado en el Filtro de Kalman Extendido (o EKF por sus siglas en inglés). EKF permite encontrar el posicionamiento del robot que se conjuga con cada uno de los algoritmos propuestos. El primer método propuesto consiste en la estimación de las características del ambiente mediante métodos heurísticos y la conformación del mapa mediante principios geométricos. El segundo método implementado se basa en K-Means para incorporar la incertidumbre en la medición del sensor, mientras que la tercera solución utiliza el modelo de mezcla de Gaussianas. El cuarto método se enfoca en el agrupamiento espacial de datos basado en densidad de datos con ruido (o DBSCAN por sus siglas en inglés). Para incluir incertidumbre dentro del ambiente de prueba, se induce error de odometría en el robot, la misma que se propaga hacia las lecturas del posicionamiento. Los resultados muestran que DBSCAN presenta un mejor tiempo de ejecución del sistema de localización propuesto frente a los otros métodos de comparativa. Además, la localización del robot es más precisa con este método, mostrando una reducción del 5% del error frente al resultado obtenido de los otros algoritmos propuestos. Finalmente, con los resultados alcanzados se prevé que con la disminución de error de localización y mapeo automático se pueda disminuir el consumo de los recursos del robot.Palabras clave: Localización y mapeo simultaneo, K-medias, modelos de mezcla Gaussiana, agrupamiento espacial basado en densidad de aplicaciones con ruido, filtro de Kalman extendido, robot móvil autónomo.

show abstract

Section: Identificación De Características De Cada Objetounclassified

Section: Introductionunclassified

Localización simultánea y mapeo para control de un robot móvil autónomo usando escaneo de nube de puntos LiDAR y métodos de aprendizaje de máquina

Urvina Córdova,

Aguilar Torres,

Prado Romo

2023

Ingeniare. Rev. chil. ing.

View full text Add to dashboard Cite

show abstract

“…Optimization-based approaches (see for example [ 23 ]) tend to suffer less from the kidnapping problem, at least in the authors’ experience, but, on the other hand, are typically computationally intensive. A solution to achieve real time SLAM on Intel CPU using 3D LiDAR point clouds from a Velodyne sensor has been proposed in [ 24 ]. In our experience, both approaches are challenged in race tracks by the presence of straights.…”

Section: Introductionmentioning

confidence: 99%

LiDAR-Based GNSS Denied Localization for Autonomous Racing Cars

Massa

Bonamini

Settimi

et al. 2020

Sensors

View full text Add to dashboard Cite

Self driving vehicles promise to bring one of the greatest technological and social revolutions of the next decade for itstheir potential to drastically change human mobility and goods transportation, in particular regarding efficiency and safety. Autonomous racing provides very similar technological issues while allowing for more extreme conditions in a safe human environment. While the software stack driving the racing car consists of several modulessuch as sensor data processing, perception, mapping, localization, planning and control, in this paper we focus on the localization problem, which provides as output the estimated pose of the vehicle needed by the planning and control modules. When driving near the friction limits, localization accuracy is critical as small errors can induce large errors in control due to the nonlinearities of the vehicle’s dynamic model. Moreover, fast and accurate pose estimation is a necessary tool to tackle corners and negotiate overtakings along the path that minimizes lap time. In this paper, we present a localization architecture for a racing car that does not rely on Global Navigation Satellite Systems (GNSS). It consists consistingof two multi-rate Extended Kalman Filters and an extension of the classicala state-of-the-art laser-based Monte Carlo localization approach that exploits some a priori knowledge of the environment and context. We first compare the proposed method with a solution based on a widely employed state-of-the-art implementation, outlining its strengths and limitations within our experimental scenario. The architecture is then tested both in simulation and experimentally on a full-scale autonomous electric racing car during an event of Roborace Season Alpha. The results show its robustness in avoiding the robot kidnapping problem typical of particle filters localization methods, while providing a smooth and high rate pose estimate. The pose error distribution depends on the car velocity, and spans on average from 0.1 m (at 60 km/h) to 1.48 m (at 200 km/h) laterally and from 1.9 m (at 100 km/h) to 4.92 m (at 200 km/h) longitudinally.

show abstract

“…For SLAM technology, various systems or platforms have been introduced, such as the Lidar system [5], stereo camera [6] and RGBD-camera [7]. Some technologies based on SLAM can contribute to the improvement of mapping accuracy, such as a Pseudo-GNSS/INS module integrated framework with probabilistic SLAM [8], a 2D SLAM system using low-cost Kinect Sensor [9], prediction-based SLAM (P-SLAM) [10], graph-based hierarchical SLAM framework [11], semi-direct visual-inertial SLAM framework [12], and a CPU-only pipeline for SLAM [13]. Similar to traditional data fusion technology [14], SLAM with data fusion technologies has also been developed accordingly, such as a fusion of the RGB image and Lidar point cloud [15][16][17].…”

Section: Introductionmentioning

confidence: 99%

A Novel Loop Closure Detection Approach Using Simplified Structure for Low-Cost LiDAR

Shi

et al. 2020

Sensors

View full text Add to dashboard Cite

Reducing the cumulative error is a crucial task in simultaneous localization and mapping (SLAM). Usually, Loop Closure Detection (LCD) is exploited to accomplish this work for SLAM and robot navigation. With a fast and accurate loop detection, it can significantly improve global localization stability and reduce mapping errors. However, the LCD task based on point cloud still has some problems, such as over-reliance on high-resolution sensors, and poor detection efficiency and accuracy. Therefore, in this paper, we propose a novel and fast global LCD method using a low-cost 16 beam Lidar based on “Simplified Structure”. Firstly, we extract the “Simplified Structure” from the indoor point cloud, classify them into two levels, and manage the “Simplified Structure” hierarchically according to its structure salience. The “Simplified Structure” has simple feature geometry and can be exploited to capture the indoor stable structures. Secondly, we analyze the point cloud registration suitability with a pre-match, and present a hierarchical matching strategy with multiple geometric constraints in Euclidean Space to match two scans. Finally, we construct a multi-state loop evaluation model for a multi-level structure to determine whether the two candidate scans are a loop. In fact, our method also provides a transformation for point cloud registration with “Simplified Structure” when a loop is detected successfully. Experiments are carried out on three types of indoor environment. A 16 beam Lidar is used to collect data. The experimental results demonstrate that our method can detect global loop closures efficiently and accurately. The average global LCD precision, accuracy and negative are approximately 0.90, 0.96, and 0.97, respectively.

show abstract

PCE-SLAM: A real-time simultaneous localization and mapping using LiDAR data

Cited by 18 publications

References 15 publications

Localización simultánea y mapeo para control de un robot móvil autónomo usando escaneo de nube de puntos LiDAR y métodos de aprendizaje de máquina

Localización simultánea y mapeo para control de un robot móvil autónomo usando escaneo de nube de puntos LiDAR y métodos de aprendizaje de máquina

LiDAR-Based GNSS Denied Localization for Autonomous Racing Cars

A Novel Loop Closure Detection Approach Using Simplified Structure for Low-Cost LiDAR

Contact Info

Product

Resources

About