Αποτελεσματικό σύστημα ανίχνευσης και χαρτογράφησης πίστας για αυτό-οδηγούμενο αγωνιστικό μονοθέσιο

Παναγιωτάκη, Ευφημία; Panagiotaki, Effimia

dc.contributor.author	Παναγιωτάκη, Ευφημία	el
dc.contributor.author	Panagiotaki, Effimia	en
dc.date.accessioned	2018-03-26T10:05:38Z
dc.date.available	2018-03-26T10:05:38Z
dc.date.issued	2018-03-26
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/46773
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.15268
dc.rights	Default License
dc.subject	Autonomous driving	el
dc.subject	Computer vision	en
dc.subject	Local binary patterns	en
dc.subject	Αυτοοδηγούμενα αυτοκίνητα	el
dc.subject	Formula student driverless	en
dc.subject	Οπτική υπολογιστών	el
dc.subject	Αισθητήρες	el
dc.subject	Visual inertial sensor	en
dc.subject	ETH Zurich	en
dc.title	Αποτελεσματικό σύστημα ανίχνευσης και χαρτογράφησης πίστας για αυτό-οδηγούμενο αγωνιστικό μονοθέσιο	el
dc.title	An efficient track detection and mapping system for autonomous driving race car	en
heal.type	bachelorThesis
heal.generalDescription	Η διπλωματική αυτή εκπονήθηκε στο Πολυτεχνειο της Ζυριχης, ETH Zurich, με επιβλέπον καθηγητή τον κύριο Luc Van Gool από το Computer Vision Lab, κατά το εαρινό εξάμηνο του 2017. Το παρόν αρχείο περιέχει την εκτενή περίληψη της διπλωματικής στα Ελληνικά αλλά και το αρχικό πλήρες κείμενο στα Αγγλικά	el
heal.classification	Αυτόνομη οδήγηση	el
heal.classification	Autonomous driving	en
heal.classification	Computer vision	en
heal.language	el
heal.language	en
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2017-11-08
heal.abstract	Η συγκεκριμένη διπλωματική εργασία διεκπεραιώθηκε το εαρινό εξάμηνο του 2017 στο ETH Zürich (Swiss Federal Institute of Technology) στα πλαίσια του προγράμματος “Formula Student”, υπό την επίβλεψη του καθηγητή prof. Luc Van Gool από το Computer Vision Lab του D - ITET. Τον Αύγουστο του 2017, η ομάδα Akademischer Motorsportverein Zürich (AMZ) Driverless, συμμετείχε στο διαγωνισμό Formula Student Driverless, στο Hockenheimring, στη Γερμανία, κερδίζοντας την πρώτη (1η) θέση ανάμεσα σε 15 άλλες driverless ομάδες. Η AMZ Driverless είναι η μόνη ομάδα που τερμάτισε επιτυχώς όλα τα αγωνίσματα του διαγωνισμού, λαμβάνοντας την υψηλότερη βαθμολογία. Η ομάδα ανέπτυξε ένα πλήρες αυτόνομο σύστημα, χρησιμοποιώντας σαν πλατφόρμα το πρωτότυπο μονοθέσιο που είχε κατασκευάσει το 2015. Η AMZ Driverless, αποτελείται από μεταπτυχιακούς φοιτητές του ETH Zürich, παλαιότερα μέλη της ομάδας AMZ και τη συγγραφέα, που συμμετείχε στο πρόγραμμα ως Invited Visiting student του ETH Zürich. Ο συνολικός και επιμέρους σχεδιασμός του αυτόνομου συστήματος είναι προσαρμοσμένος στους κανονισμούς του διαγωνισμού Formula Student Driverless. Το σύστημα έχει βασιστεί στην ανεξάρτητη λειτουργία των αισθητήρων και των αλγορίθμων συλλογής δεδομένων, εξασφαλίζοντας την επιτυχία και αξιοπιστία του. Ο στόχος του perception pipeline είναι να εξάγει έναν ακριβή σημασιολογικό χάρτη της πίστας, να παρέχει ακριβές εκτιμήσεις ταχύτητας και θέσης του αυτοκινήτου και να εξασφαλίσει την ανεξαρτησία των αισθητήρων σε περίπτωση αποτυχίας κάποιου συστήματος. Οι αισθητήρες που αφορούν την αντίληψη του μονοθεσίου είναι ένας LiDAR αισθητήρας και ένας Visual Inertial αισθητήρας, ανεπτυγμένος από τη συγγραφέα, για την ανίχνευση των ορίων της πίστας και τη χαρτογράφηση της. Η διπλωματική αυτή είναι βασισμένη σε πραγματικά δεδομένα του visual pipeline από το αυτοκίνητο, κατά τη διάρκεια των δοκιμών. Το visual pipeline παρέχει έναν ανεξάρτητο τρόπο ανίχνευσης κώνων, εξασφαλίζοντας επιτυχία ακόμη και αν ο LiDAR παρέχει εσφαλμένα δεδομένα. Για τον οπτικό αισθητήρα που κατασκευάσαμε, συγχρονίσαμε δύο monocular καμερες και ένα Inertial Navigation System (INS) προκειμένου να παράξουμε ένα ακριβές και ανεξάρτητο visual SLAM συστημα, από την αρχή. Το σύστημα έχει βελτιστοποιηθεί για large scale εφαρμογές και συνθήκες εξωτερικού περιβάλλοντος, πάντα σε συμφωνία με το συνολικό αυτόνομο σύστημα του αυτοκινήτου. Προκειμένου να ανιχνεύσουμε τη θέση των κώνων, αναπτύξαμε έναν machine learning αλγόριθμο ανίχνευσης κώνων, που διακρίνει SLAM αναγνωρισμένα landmarks σε «κώνοι» και «άλλα». Ο συνδυασμός του αλγόριθμου, του stereo SLAM και του VI-odometry έχει αποδειχτεί ότι είναι αποτελεσματικός σε ταχεις γωνιακές τιμές και επιτυχημένο tracking κατορθώθηκε για πάνω από 180˚/s. Η εργασία αξιολογήθηκε με βάση την ακρίβεια της αναγνώρισης κώνων, του loop closing και της χάραξης τροχιάς.	el
heal.abstract	In August 2017, Akademischer Motorsportverein Zurich (AMZ) Driverless, participated in the Formula Student Driverless Competition in Hockenheimring, Germany, winning the 1st place overall, among 15 other driverless teams. AMZ Driverless is the only team that managed to successfully complete all the disciplines in the competition. The team developed a fully autonomous driving vehicle, using as a platform the prototype that was built by AMZ Racing in 2015. Fluela is a lightweight, 4 wheel drive electric race car. AMZ Driverless consists of master students from ETH Zurich, former team members of the ETH Formula Student Project (AMZ Racing) and the author, an Invited Visiting student at ETH Z{\"u}rich, from the National Technical University of Athens, Greece. The design of the autonomous system is adapted to the rules and regulations of the Formula Student Driverless Competition. The autonomous concept is focused on redundancy of the sensors and robustness of the autonomous system, in order to reassure success and reliability. The goal of the perception pipeline is to generate an accurate semantic map of the track, to provide accurate velocity and pose estimates and to assure redundancy in case of single mode failures. The perception sensors include a LiDAR and a self-developed Visual Inertial Sensor for boundaries detection and path planning. This Master Thesis, is based on real-time data of the Visual pipeline, from the actual vehicle during testing conducted throughout the season before and during the competition. The visual pipeline provides a redundant way to detect cones, reassuring robustness in case of LiDAR failures. For the sensor, we synchronize two monocular cameras and an Inertial Navigation System (INS) in order to build an accurate and secluded visual SLAM system completely from scratch. The system is optimized for large scale applications and outdoors conditions, with respect to the vehicle's autonomous system. To detect cones' positions, we implemented a state-of-the-art machine learning cone detection algorithm which classifies SLAM tracked landmarks to "cones" and "other". The combination of cone detection, stereo SLAM and VI-odometry has proven to be robust to fast angular rates and successful tracking was achieved for more than 180˚/s. Our work is evaluated based on the precision and accuracy of: the cone detection, the loop closing, the generated map and the trajectory accuracy	en
heal.advisorName	Χριστοφόρου, Ευάγγελος	el
heal.committeeMemberName	Παπαθανασίου, Σταύρος	el
heal.committeeMemberName	Van Gool, Luc	en
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Επικοινωνιών, Ηλεκτρονικής και Συστημάτων Πληροφορικής. Εργαστήριο Μικροηλεκτρονικής και Ηλεκτρονικών Αισθητήρων	el
heal.academicPublisherID	ntua
heal.numberOfPages	98 σ.
heal.fullTextAvailability	true