A comparison of different approaches to solve the SLAM problem on a Formula Student Driverless race car

Der Formula Student Driverless Wettbewerb fordert Studenten auf der ganzen Welt dazu heraus, in selbstständing entwickelten und gebauten einsitzigen Rennwagen gegeneinander anzutreten. Eine der größten Herausforderungen eines jeden autonomen Fahrzeugs ist das Simultaneous Localization and Mapping”-Problem,” kurz SLAM-Problem (Engl.: Simultanes Lokalisieren und Kartieren). Es existieren verschiedene Ansätze, um das SLAM-Problem zu lösen. Allerdings gibt es keinen Königsweg, da die Leistungsfähigkeit eines Algorithmus stark vom speziellen Anwendungsfall abhängt. Um den bestmöglichen Ansatz für den Einsatz auf einem Formula Student Driverless Rennwagen zu identifizieren, stellt diese Arbeit zwei sehr unterschiedliche Algorithmen - EKF SLAM und GraphSLAM - und deren jeweilige Implementierung auf dem Fahrzeug vor. ... mehrUm objektiv entscheiden zu können, welcher der beiden Algorithmen besser funktioniert, wird ein Werkzeug vorgestellt, welches die Qualität der Ergebnisse kontinuierlich misst. Die Algorithmen werden mit Hinblick auf ihre Präzision und ihre Effizienz evaluiert. Letzteres ist wichtig, da die Algorithmen selbst unter den extremen Bedingungen des Einsatzes auf einem Rennwagen und mit limitierten Ressourcen in Echtzeit arbeiten müssen.
Gleichzeitig ist die Anforderung an die Genauigkeit der Algorithmen sehr hoch. Eine Formula Student Rennstrecke ist im Vergleich zum Fahrzeug sehr schmal, was nur eine geringe Toleranz für Fehler erlaubt. Um die Genauigkeit zu messen, wird die durch den Algorithmus generierte Karte mit einer Referenzkarte verglichen. Diese wurde unter Nutzung eines hochpräzisen DGPS-Messgerätes erstellt.
Alle Datensätze, die in dieser Thesis verwendet werden, wurden auf einem Formula Student Driverless Fahrzeug aufgenommen, was eine Evaluierung ohne simulierte Daten möglich macht. Die Algorithmen müssen daher unter Bedingungen funktionieren, wie sie in der echten Welt zu finden sind, wie z.B. nicht-lineares Fahrzeugverhalten oder nicht-Gauß’sche Sensormessungen. Diese Bedingungen weichen von Annahmen ab, die bei der Implementierung der Algorithmen getroffen wurden.
Die Ergebnisse der Evaluierung zeigen, dass beide Algorithmen dank einer parallelisierten Architektur in Echtzeit arbeiten, wobei GraphSLAM mehr Ressourcen verbraucht als EKF SLAM. Im Hinblick auf die Genauigkeit zeigt die Analyse, dass die Schätzungen des GraphSLAM denen des EKF SLAM überlegen sind.

The Formula Student Driverless competition challenges students all over the world to develop and build self-driving single-seater race cars. One of the greatest challenges of any autonomous vehicle is the problem of ”Simultaneous Localization and Mapping”, or SLAM in short. There are a number of approaches to solve this problem but unfortunately, there is no silver bullet solution as an algorithm’s performance highly depends on the given use case.
To find the best possible approach for the application on a Formula Student Driverless race car, this thesis presents two very different algorithms - EKF SLAM and GraphSLAM - and their respective implementation on the vehicle. ... mehrTo form an objective opinion on which algorithm performs better, a tool is presented that allows continuous measurements of the performance of the algorithms. The algorithms are analyzed with respect to their accuracy and their efficiency. The latter is important because to work in the extreme conditions of a racing application, the algorithms have to be real-time capable at high frequencies with limited computational resources.
Simultaneously, there are high demands on the accuracy of the algorithms. A Formula Student track is very narrow compared to the vehicle, leaving little room for error. The accuracy is measured by comparing the SLAM-generated map to a
ground truth map which was acquired using high-precision DGPS measurements. All data sets used in this thesis were recorded on a Formula Student Driverless race car, without the need for simulated input. This requires the algorithms to function in real-world conditions, such as non-linear vehicle behavior or non-Gaussian measurements, that will deviate from assumptions made when implementing the algorithms.
The results of the evaluation show that both algorithms achieve real-time capability thanks to a parallelized architecture, with GraphSLAM draining the computational resources much faster than EKF SLAM. However, the analysis of the maps generated by the algorithms shows that GraphSLAM outperforms EKF SLAM in terms of accuracy.