Fail-Safe Vehicle Pose Estimation in Lane-Level Maps Using Pose Graph Optimization

Die hochgenaue Posenschätzung autonomer Fahrzeuge sowohl in HD-Karten als auch spurrelativ ist unerlässlich um eine sichere Fahrzeugführung zu gewährleisten. Für die Serienfertigung wird aus Kosten- und Platzgründen bewusst auf hochgenaue, teure Einzelsensorik verzichtet und stattdessen auf eine Vielzahl von Sensoren, die neben der Posenschätzung auch von anderen Modulen verwendet werden können, zurückgegriffen. Im Fokus dieser Arbeit steht die Unsicherheitsschätzung, Bewertung und Fusion dieser Sensordaten.
Die Optimierung von Posengraphen zur Fusion von Sensordaten zeichnet sich, im Gegensatz zu klassischen Filterverfahren, wie Kalman oder Partikelfilter, durch seine Robustheit gegenüber Fehlmessungen und der Flexibilität in der Modellierung aus. ... mehrDie Optimierung eines Posengraphen wurde erstmalig auf mobilen Roboterplattformen zur Lösung sogenannter SLAM-Probleme angewendet. Diese Verfahren wurden immer weiter entwickelt und im speziellen auch zur rein kamerabasierten Lokalisierung autonomer Fahrzeuge in 3D-Punktwolken erfolgreich emonstriert. Für die Entwicklung und Freigabe sicherheitsrelevanter Systeme nach ISO 26262 wird neben der Genauigkeit jedoch auch eine Aussage über die Qualität und Ausfallsicherheit dieser Systeme gefordert.
Diese Arbeit befasst sich, neben der Schätzung der karten- und spurrelativen Pose, auch mit der Schätzung der Posenunsicherheit und der Integrität der Sensordaten zueinander. Auf Grundlage dieser Arbeit wird eine Abschätzung der Ausfallsicherheit des Lokalisierungsmoduls ermöglicht. Motiviert durch das Projekt Ko-HAF werden zur Lokalisierung in HD-Karten lediglich Spurmarkierungen verwendet. Die speichereffiziente Darstellung dieser Karten ermöglicht eine hochfrequente Aktualisierung der Karteninhalte durch eine Fahrzeugflotte.
Der vorgestellte Ansatz wurde prototypisch auf einem Opel Insignia umgesetzt. Der Testträger wurde um eine Front- und Heckkamera sowie einen GNSS-Empfänger erweitert. Zunächst werden die Schätzung der karten-und spurrelativen Fahrzeugpose, der GNSS-Signalauswertung sowie der Bewegungsschätzung des Fahrzeugs vorgestellt. Durch einen Vergleich der Schätzungen zueinander werden die Unsicherheiten der einzelnen Module berechnet. Das Lokalisierungsproblem wird dann durch einen Optimierer gelöst. Mithilfe der berechneten Unsicherheiten wird in einem nachgelagerten Schritt eine Bewertung der einzelnen Module durchgeführt. Zur Bewertung des Ansatzes wurden sowohl hochdynamische Manöver auf einer Teststrecke als auch Fahrten auf öffentlichen Autobahnen ausgewertet.

Obtaining frequent and high-precision pose estimates of autonomous vehicles in HD maps as well as within lanes is essential to ensure reliable vehicle maneuvering. For reasons of cost and space, expensive high-precision sensors are deliberately avoided in series production. Instead, a large number of economic sensors are implemented that can be used by other modules as well. Estimating uncertainties, evaluation, and fusion of sensor measurements to guarantee fail-safe operation will be the focus of this thesis.
The use of pose graph optimization techniques to fuse sensor data is characterized, in contrast to classical filter methods such as Kalman or particle filtering, by its robustness against erroneous measurements and its modeling flexibility. ... mehrPose graph optimization techniques were first studied on mobile robot platforms to solve the SLAM problem. These methods have been further developed and successfully demonstrated for purely camera-based localization of autonomous vehicles in 3D point clouds. To develop and release safety-relevant systems according to the ISO 26262 standard, a statement of estimation quality and reliability is indispensable.
In addition of map and lane-relative pose estimation, this thesis further surveys the estimation of pose estimate uncertainties and integrity within sensor data. Based on this work, a conclusive statement on the reliability of the localization module can be derived. Motivated by the Ko-HAF project, the presented localization approach merely relies on lane markers of mapped highway sections. Their memory-efficient, parametric representation enables a high-frequency update of map contents through a vehicle fleet.
The presented approach was investigated using an Opel Insignia as experimental vehicle. Its sensor setup was extended by a front and rear camera and a GNSS receiver. First, the estimation of map and lane-relative vehicle poses, the GNSS signal evaluation as well as the vehicle’s odometry estimation are presented. Uncertainties of the estimators are calculated by comparing their estimates. Using these uncertainties, an evaluation of the estimator’s integrity is carried out. The localization problem is solved by using optimization. The approach is evaluated on both highly dynamic maneuvers on a test track and test drives on public highways.