Este trabajo aborda el diseño y validación de un sistema de navegación robusto para vehículos autónomos, capaz de operar en entornos con disponibilidad limitada o degradada de señal Sistema de Posicionamiento Global (GPS). El enfoque principal se centra en la integración de tecnologías de percepción y algoritmos de Localización y Mapeo Simultáneos (SLAM), combinando sus ventajas para garantizar precisión y continuidad en la localización y mapeo en escenarios urbanos y off-road.
Se implementa un algoritmo de odometría basado en Detección y Localización por Luz (LiDAR), empleando datos de un sensor Ouster. El proceso incluye extracción de características de imágenes de reflectividad, emparejamiento de las mismas y estimación de movimiento con el algoritmo Punto Más Cercano Iterativo (ICP). Este enfoque permite reconstruir la trayectoria en tiempo real, aunque se identifica la necesidad de integrar datos inerciales para mejorar la precisión en largas distancias.
Posteriormente, se realiza un análisis comparativo de algoritmos SLAM avanzados.Las pruebas realizadas con el dataset KITTI en entornos urbanos demostraron que el algoritmo LIO-SAM ofrece la mayor precisión, gracias a su optimización basada en grafos y corrección de deriva mediante cierres de bucle.
Además, se valida LIO-SAM en entornos reales, tanto urbanos como off-road, utilizando sensores de alta precisión. Se destacan ajustes clave como sincronización de datos, resolución de nubes de puntos y optimización de parámetros para garantizar operatividad en tiempo real. También se demuestra la superioridad de LIO-SAM frente a la odometría pura al corregir desviaciones acumuladas, incluso en ausencia de GPS.
Finalmente, el trabajo reflexiona sobre el impacto social y ambiental de los sistemas de navegación autónoma, alineándose con los Objetivos de Desarrollo Sostenible (ODS). Las conclusiones enfatizan la eficacia de LIO-SAM en entornos complejos, posicionándose como una solución robusta para navegación autónoma, con aplicaciones en logística, rescate y agricultura de precisión. Futuras líneas de investigación incluyen la integración multimodal eficiente, optimización de recursos y escalabilidad, priorizando sostenibilidad y accesibilidad.
Abstract:
This work addresses the design and validation of a robust navigation system for autonomous vehicles, capable of operating in environments with limited or degraded Global Positioning System (GPS) signal availability. The main focus is on integrating perception technologies and Simultaneous Localization and Mapping (SLAM) algorithms, combining their advantages to ensure accuracy and continuity in localization and mapping in urban and off-road scenarios.
A Light Detection and Ranging (LiDAR) based odometry algorithm was implemented, using data from an Ouster sensor. The process includes feature extraction from reflectivity images, feature matching, and motion estimation with Iterative Closest Point (ICP). This approach allows real-time trajectory reconstruction, although the need to integrate inertial data to improve accuracy over long distances was identified.
Subsequently, a comparative analysis of advanced SLAM algorithms was done. Tests conducted with the KITTI dataset in urban environments demonstrated that LIOSAM algorithm offers the highest accuracy, thanks to its graph-based optimization and drift correction through loop closures.
Additionally, LIO-SAM was validated in real-world environments, both urban and offroad, using high-precision sensors. Key adjustments such as data synchronization, point cloud resolution, and parameter optimization were highlighted to ensure realtime operability. The superiority of LIO-SAM over odometry was also demonstrated, as it corrects accumulated drift even in the absence of GPS.
Finally, the work reflects on the social and environmental impact of autonomous navigation systems, aligning with the Sustainable Development Goals (SDGs). The conclusions emphasize the effectiveness of LIO-SAM in complex environments, positioning it as a robust solution for autonomous navigation, with applications in logistics, rescue operations, and precision agriculture. Future research directions include efficient multimodal integration, resource optimization, and scalability, prioritizing sustainability and accessibility.
Este trabajo aborda el diseño y validación de un sistema de navegación robusto para vehículos autónomos, capaz de operar en entornos con disponibilidad limitada o degradada de señal Sistema de Posicionamiento Global (GPS). El enfoque principal se centra en la integración de tecnologías de percepción y algoritmos de Localización y Mapeo Simultáneos (SLAM), combinando sus ventajas para garantizar precisión y continuidad en la localización y mapeo en escenarios urbanos y off-road.
Se implementa un algoritmo de odometría basado en Detección y Localización por Luz (LiDAR), empleando datos de un sensor Ouster. El proceso incluye extracción de características de imágenes de reflectividad, emparejamiento de las mismas y estimación de movimiento con el algoritmo Punto Más Cercano Iterativo (ICP). Este enfoque permite reconstruir la trayectoria en tiempo real, aunque se identifica la necesidad de integrar datos inerciales para mejorar la precisión en largas distancias.
Posteriormente, se realiza un análisis comparativo de algoritmos SLAM avanzados.Las pruebas realizadas con el dataset KITTI en entornos urbanos demostraron que el algoritmo LIO-SAM ofrece la mayor precisión, gracias a su optimización basada en grafos y corrección de deriva mediante cierres de bucle.
Además, se valida LIO-SAM en entornos reales, tanto urbanos como off-road, utilizando sensores de alta precisión. Se destacan ajustes clave como sincronización de datos, resolución de nubes de puntos y optimización de parámetros para garantizar operatividad en tiempo real. También se demuestra la superioridad de LIO-SAM frente a la odometría pura al corregir desviaciones acumuladas, incluso en ausencia de GPS.
Finalmente, el trabajo reflexiona sobre el impacto social y ambiental de los sistemas de navegación autónoma, alineándose con los Objetivos de Desarrollo Sostenible (ODS). Las conclusiones enfatizan la eficacia de LIO-SAM en entornos complejos, posicionándose como una solución robusta para navegación autónoma, con aplicaciones en logística, rescate y agricultura de precisión. Futuras líneas de investigación incluyen la integración multimodal eficiente, optimización de recursos y escalabilidad, priorizando sostenibilidad y accesibilidad.
Abstract:
This work addresses the design and validation of a robust navigation system for autonomous vehicles, capable of operating in environments with limited or degraded Global Positioning System (GPS) signal availability. The main focus is on integrating perception technologies and Simultaneous Localization and Mapping (SLAM) algorithms, combining their advantages to ensure accuracy and continuity in localization and mapping in urban and off-road scenarios.
A Light Detection and Ranging (LiDAR) based odometry algorithm was implemented, using data from an Ouster sensor. The process includes feature extraction from reflectivity images, feature matching, and motion estimation with Iterative Closest Point (ICP). This approach allows real-time trajectory reconstruction, although the need to integrate inertial data to improve accuracy over long distances was identified.
Subsequently, a comparative analysis of advanced SLAM algorithms was done. Tests conducted with the KITTI dataset in urban environments demonstrated that LIOSAM algorithm offers the highest accuracy, thanks to its graph-based optimization and drift correction through loop closures.
Additionally, LIO-SAM was validated in real-world environments, both urban and offroad, using high-precision sensors. Key adjustments such as data synchronization, point cloud resolution, and parameter optimization were highlighted to ensure realtime operability. The superiority of LIO-SAM over odometry was also demonstrated, as it corrects accumulated drift even in the absence of GPS.
Finally, the work reflects on the social and environmental impact of autonomous navigation systems, aligning with the Sustainable Development Goals (SDGs). The conclusions emphasize the effectiveness of LIO-SAM in complex environments, positioning it as a robust solution for autonomous navigation, with applications in logistics, rescue operations, and precision agriculture. Future research directions include efficient multimodal integration, resource optimization, and scalability, prioritizing sustainability and accessibility. Read More
Related posts:
Drift compensation in multilevel PCM for in-memory computing accelerators
Multi-view wireframe parsing
Integration of iNaturalist for enhanced urban forest management: an experience at the Montes Arboretum of a multifaceted approach to data collection and community
engagement
Sistema de seguimiento a operarios mediante cámara para vehículos autónomos
Desarrollo de modelos intrínsecamente interpretables para estimación de vida útil remanente
A Review of the Solutions Ecosystem for 5G Systems on Rural and Remote Environments