Multi-Modal Continuous-Time SLAM and Semantic Parametric Mapping for Autonomous Driving

Für automatisierte Fahrzeuge ist eine verlässliche Umgebungswahrnehmung entscheidend. Aufgrund der Begrenzungen aktueller Sensortechnologien bleibt sie jedoch herausfordernd - einzelne Sensoren können Sichtverdeckungen, schlechte Wetterbedingungen oder eingeschränkte Reichweiten nicht vollständig kompensieren. High Definition (HD)-Karten erweitern die Sensorwahrnehmung und erhöhen Sicherheit und Effizienz bei Navigation und Verhaltensgenerierung.

Aktuelle Simultaneous Localization and Mapping (SLAM)-Systeme fusionieren Messungen über einen Posengraphen, der aufgrund zeitlicher Diskontinuitäten inhärent komplex ist. ... mehrEine zeitlich kontinuierliche Trajektoriendarstellung adressiert dieses Problem. Zugleich sollten langfristig stabile, fahrrelevante Merkmale parametrisch modelliert und kartiert werden, um semantische HD-Karten informativer zu gestalten und auch den Speicherbedarf zu senken.

Diese Dissertation stellt ein zeitlich kontinuierliches Trajektorien-SLAM auf Basis uniformer B-Splines vor, das Messungen mit unterschiedlichen Zeitstempeln und Frequenzen integriert. Damit lassen sich hochfrequente Bewegungen präzise abbilden, sowie Pose, Geschwindigkeit und Beschleunigung zu beliebigen Zeitpunkten bestimmen. Darauf aufbauend werden semantische Primitive parametrisch modelliert und während der Kartierung zuverlässig detektiert, assoziiert und robust optimiert.

Die Evaluierung auf einem realen städtischen Datensatz zeigt, dass zeitlich kontinuierliches SLAM mit LiDAR- und Kameradaten in Genauigkeit, Robustheit und Effizienz Graph-SLAM übertrifft. Die erzeugten semantischen HD-Karten sind geometrisch und semantisch konsistent mit den Sensordaten. Das automatische Kartierungssystem senkt die Kartierungskosten deutlich und ermöglicht skalierbaren Kartenaufbau.

For autonomous vehicles, understanding the operational environment is crucial. However, due to limitations of current sensor technologies, perception remains challenging - individual sensors cannot fully compensate for occlusions, adverse weather conditions, or limited sensing range. High Definition (HD) maps expand the range of sensor perception, improving safety and efficiency in navigation and decision-making.

Conventional Simultaneous Localization and Mapping (SLAM) systems typically rely on the fusion of measurements through a pose graph trajectory representation, which is inherently complex due to temporal discontinuities. ... mehrTo mitigate this issue, a continuous-time trajectory representation is necessary. Furthermore, to enhance the informativeness of semantic HD maps and reduce map storage demands, long-term stable and driving-relevant features must be parametrically modeled and mapped.

This thesis introduces a continuous-time trajectory SLAM based on uniform B-splines, which integrates measurements with varying timestamps and frequencies. High-frequency motion can be accurately represented, and velocity and acceleration at any given timestamp can be evaluated. Semantic primitive features are parametrically modeled and, during mapping, detected, associated, and optimized in a robust and reliable manner.

The proposed approach is evaluated using a real-world dataset recorded in urban environments. The results demonstrate that continuous-time SLAM, utilizing LiDAR and camera data, outperforms state-of-the-art pose graph SLAM in terms of accuracy, robustness, and efficiency. Additionally, the generated semantic HD maps exhibit high mapping accuracy and consistency with sensor data. The automatic mapping framework significantly reduces mapping costs and facilitates scalable map-building processes.