Multi-Sensor based Perception and State Estimation for Autonomous Vehicles
Perception et estimation d’état basées sur plusieurs capteurs pour les véhicules autonomes
Résumé
Perceiving or understanding the surrounding environments is indispensable for building driving assistant systems or autonomousvehicles. This thesis studies the sensor fusion approach for the simultaneous localization and mapping (SLAM) problem with complementary visual and range sensors. In order to make conservative decisions and increase autonomous vehicle maneuveringsecurity, the uncertainty analysis of the pose estimation is also implemented. The traditional SLAM system has the assumption of static scenes, which is vulnerable in the context of dynamic outdoor environments. Thus, we introduce a data-driven approach to exploit the semantic information that interprets the measurement sequence across the frames, which efficiently distinguishes the moving objects from the static ones. We test the proposed algorithms on real-life data of urban traffic and parking areas, which presents promising results.
Percevoir ou comprendre les environnements environnants est indispensable pour construire des systèmes d’aide à la conduite ou des véhicules autonomes. Dans cette thèse, nous étudions l’approche de fusion de capteurs pour le problème de localisation et de cartographie simultanées (SLAM) avec des capteurs visuels et de distance complémentaires. Afin de prendre des décisionsconservatrices et d’augmenter la sécurité de manoeuvre des véhicules autonomes, l’analyse d’incertitude de l’estimation de la pose est également mise en oeuvre. Le système SLAM traditionnel suppose des scènes statiques, ce qui est vulnérable dans le contexte d’environnements extérieurs dynamiques. Ainsi, nous introduisons une approche basée sur les données pour exploiter les informations sémantiques qui interprètent la séquence de mesure à travers les cadres, ce qui distingue efficacement les objets en mouvement des objets statiques. Nous testons les algorithmes proposé sur des données réelles de trafic urbain et d’aires de stationnement, qui présente des résultats prometteurs.
| Origine | Version validée par le jury (STAR) |
|---|