Los Sistemas Inteligentes de Transporte (SIT) son tecnologías que buscan mejorar la gestión del tráfico y la planificación del transporte. Entre las más relevantes, destaca la navegación autónoma, la cual permite a los vehículos moverse sin necesidad de intervención humana.
Para permitir la navegación autónoma, es necesario que el vehículo pueda circular de manera independiente por una ruta predefinida. Para ello, se puede utilizar el sistema global de navegación por satélite (GNSS). Sin embargo, existen ciertas zonas donde la fiabilidad de estos datos disminuye drásticamente. Por ello, se utilizan otro tipo de técnicas como Simultaneous Localization and Mapping (SLAM), la cual es capaz de generar un mapa que represente la ruta sobre la que circular, además de localizarse dentro de este mapa.
Esto se realiza utilizando datos como la ubicación geográfica, la velocidad y orientación del vehículo, así como la información sobre las estructuras circundantes.
Una manera de representar la información sobre estas estructuras y el mapa del circuito a recorrer es mediante el uso de nubes de puntos. De esta forma, se puede mejorar la navegación a través de un proceso en el que se compara la nube de puntos capturada por los sensores del vehículo con una nube de puntos que representa el entorno de la ruta. Sin embargo, las nubes de puntos que representan la ruta completa presentan el problema de ser muy grandes, lo que requiere un alto coste computacional y de almacenamiento.
El objetivo de este trabajo consiste en reducir la cantidad de puntos necesarios para representar un mapa de puntos, sobre el cual un vehículo navega de forma autónoma. Con este fin, se estudian diversos algoritmos de downsampling, observando las propiedades geométricas que logran mantener en los mapas de puntos, así como la estructura general de la nube de puntos reducida y la cantidad de puntos que eliminan.
De esta forma, se han conseguido reducir nubes de puntos tanto en entornos on-road como off-road, logrando reducir la cantidad de puntos a menos de un 1% en escenarios off-road.
Abstract:
Intelligent Transportation Systems (ITS) are technologies that seek to improve traffic management and transportation planning. Among the most relevant is autonomous navigation, which allows vehicles to move without the need for human intervention.
To enable autonomous navigation, the vehicle must be able to drive independently along a predefined route. For this purpose, the global navigation satellite system (GNSS) can be used. However, there are certain areas where the reliability of this data decreases drastically. Therefore, other types of techniques are used, such as Simultaneous Localization and Mapping (SLAM), which is capable of generating a map representing the route on which to drive, as well as locating itself within this map.
This is done using data such as geographic location, vehicle speed and orientation, as well as information about surrounding structures.
One way to represent the information about these structures and the map of the circuit to be traveled is through the use of point clouds. In this way, navigation can be improved through a process in which the point cloud captured by the vehicle’s sensors is compared with a point cloud representing the route environment. However, point clouds representing the entire route present the problem of being very large, which requires high computational and storage cost.
The objective of this work is to reduce the number of points needed to represent a point map, on which a vehicle navigates autonomously. To this end, several downsampling algorithms are studied, observing the geometric properties that they manage to maintain in the point maps, as well as the general structure of the reduced point cloud and the number of points they eliminate.
In this way, it has been possible to reduce point clouds in both on-road and off-road environments, reducing the number of points to less than 1% in off-road scenarios.
Los Sistemas Inteligentes de Transporte (SIT) son tecnologías que buscan mejorar la gestión del tráfico y la planificación del transporte. Entre las más relevantes, destaca la navegación autónoma, la cual permite a los vehículos moverse sin necesidad de intervención humana.
Para permitir la navegación autónoma, es necesario que el vehículo pueda circular de manera independiente por una ruta predefinida. Para ello, se puede utilizar el sistema global de navegación por satélite (GNSS). Sin embargo, existen ciertas zonas donde la fiabilidad de estos datos disminuye drásticamente. Por ello, se utilizan otro tipo de técnicas como Simultaneous Localization and Mapping (SLAM), la cual es capaz de generar un mapa que represente la ruta sobre la que circular, además de localizarse dentro de este mapa.
Esto se realiza utilizando datos como la ubicación geográfica, la velocidad y orientación del vehículo, así como la información sobre las estructuras circundantes.
Una manera de representar la información sobre estas estructuras y el mapa del circuito a recorrer es mediante el uso de nubes de puntos. De esta forma, se puede mejorar la navegación a través de un proceso en el que se compara la nube de puntos capturada por los sensores del vehículo con una nube de puntos que representa el entorno de la ruta. Sin embargo, las nubes de puntos que representan la ruta completa presentan el problema de ser muy grandes, lo que requiere un alto coste computacional y de almacenamiento.
El objetivo de este trabajo consiste en reducir la cantidad de puntos necesarios para representar un mapa de puntos, sobre el cual un vehículo navega de forma autónoma. Con este fin, se estudian diversos algoritmos de downsampling, observando las propiedades geométricas que logran mantener en los mapas de puntos, así como la estructura general de la nube de puntos reducida y la cantidad de puntos que eliminan.
De esta forma, se han conseguido reducir nubes de puntos tanto en entornos on-road como off-road, logrando reducir la cantidad de puntos a menos de un 1% en escenarios off-road.
Abstract:
Intelligent Transportation Systems (ITS) are technologies that seek to improve traffic management and transportation planning. Among the most relevant is autonomous navigation, which allows vehicles to move without the need for human intervention.
To enable autonomous navigation, the vehicle must be able to drive independently along a predefined route. For this purpose, the global navigation satellite system (GNSS) can be used. However, there are certain areas where the reliability of this data decreases drastically. Therefore, other types of techniques are used, such as Simultaneous Localization and Mapping (SLAM), which is capable of generating a map representing the route on which to drive, as well as locating itself within this map.
This is done using data such as geographic location, vehicle speed and orientation, as well as information about surrounding structures.
One way to represent the information about these structures and the map of the circuit to be traveled is through the use of point clouds. In this way, navigation can be improved through a process in which the point cloud captured by the vehicle’s sensors is compared with a point cloud representing the route environment. However, point clouds representing the entire route present the problem of being very large, which requires high computational and storage cost.
The objective of this work is to reduce the number of points needed to represent a point map, on which a vehicle navigates autonomously. To this end, several downsampling algorithms are studied, observing the geometric properties that they manage to maintain in the point maps, as well as the general structure of the reduced point cloud and the number of points they eliminate.
In this way, it has been possible to reduce point clouds in both on-road and off-road environments, reducing the number of points to less than 1% in off-road scenarios. Read More
Related posts:
El problema de la aeronáutica y sus soluciones reales e imaginarias
El problema del tiro aéreo
Francia en la aeronáutica: las astronaves
Optimización y mejora del Path Planning para vehículos autónomos
Crónica científica: los platillos volantes
Desarrollo e implementación de un sistema de navegación autónomo para entornos GPS-Degradados