Novel techniques for mapping and localization of self-driving cars using grid maps

Abstract

ABSTRACT: This work proposes novel techniques forbuilding grid maps of large-scale environments, and for estimating the localization of self-driving cars in these maps. The mapping technique is employedfor creating occupancy, reflectivity, colour, and semantic grid maps. The localization is based on particle filters. New methodsfor computing the particles’ weightsusing semantic and colour information arepresented. The deep neural network DeepLabv3+ is used for visual semantic segmentation of imagescaptured by acamera. The estimation of the vehicle poses formapping is modelled as a Simultaneous Localization and Mapping (SLAM)problem. The values of the poses areobtained by using the GraphSLAM algorithm to fuse odometry and GPS data. These values are refined using loop-closure information. The optimized poses are used for building maps of the environment. Theself-driving cars localizations are computed in relation to these maps. The mapping and localization techniques wereevaluated in several complex and large-scale environments using a real self-driving car –the Intelligent and Autonomous Robotic Automobile (IARA). The impact of using different types of grid maps in the localization accuracy as well as its robustness to adverse conditions of operation (e.g., variable illumination, and intense traffic of vehicles and pedestrians) wereevaluated quantitatively. As far as we know, the mapping and localization techniques, the methodology for producing the localization ground truth, and the evaluation of which typeof grid map leads to more accurate localization are novelties.

RESUMO: Este trabalho propõe novas técnicas para construção de mapas de grade de ambientes de grande escala,e para estimativa da localização de carros autônomos nestes mapas. A técnica de mapeamento é utilizada para criar mapas de grade de ocupação, de refletividade, coloridos e semânticos. A localização é baseada em filtros de partículas. Novos métodos para cálculo dos pesos das partículas usando informações semânticas e coloridas são apresentados. A rede neural profunda DeepLabv3+ é usada para segmentar semanticamente imagens capturadas por uma câmera frontal. A estimativa das poses do veículo para o mapeamento é modelada como um problema de Localização e Mapeamento Simultâneos (Simultaneous Localization and Mapping–SLAM). Valores iniciais das poses são obtidos usando o algoritmo GraphSLAM para fundir dados de odometria e GPS. Esses valores são refinados usando informações de fechamento de circuito.As poses otimizadas são utilizadas para construir mapas do ambiente.As localizações dos carros autônomos são calculadas em relação a estes mapas.As técnicas de localização e mapeamento foram avaliadas em vários ambientes complexos e de larga escala usando o automóvel robótico autônomo e inteligente (Intelligent and Autonomous Robotic Automobile–IARA). O impacto de usar diferentes tipos de mapas de grade na acurácia da localização assim como sua robustez a condições adversas de operação (e.g., iluminação variável, e tráfico intenso de veículos e pedestres) foram avaliadas quantitativamente. Até onde sabemos, as técnicas de mapeamento e localização, a metodologia para produção dos valores de referência para os experimentos, e a avaliação da acurácia da localização para diferentes mapas de grade são novidades.