Reconstrucción del entorno del vehículo para guiado autónomo en escenarios complejos

Resumen

La tecnología LiDAR 3D cada vez está teniendo más repercusión en un campo emergente de aplicación, el vehículo autónomo. Fabricantes, desarrolladores e investigadores integran este tipo de sensores para aplicaciones de reconocimiento del entorno debido a las ventajas que aporta. Además, los sensores láser escáner han ganado especial protagonismo en la conducción autónoma a partir de la evolución de los láseres 2D a 3D, debido a que estos últimos suplen satisfactoriamente los problemas de observación parcial de los objetos que tenían los sensores 2D. La información espacial que proporcionan los LiDAR 3D es significativamente más completa, lo que otorga de versatilidad para ser utilizados para otros fines. Esta versatilidad se hace patente en la variedad de algoritmos basados en tecnología LiDAR que se encuentran en la literatura. Si bien, su aplicación principal es el reconocimiento de obstáculos, para garantizar una navegación autónoma terrestre segura, es necesario ampliar el campo de aplicación. En este sentido, esta Tesis Doctoral plantea el estudio de las capacidades de los sensores LiDAR y el desarrollo de algoritmos centrados en dos de las líneas principales de investigación del vehículo autónomo: la caracterización del entorno y el posicionamiento y mapeado. Ambas líneas constituyen las bases de la percepción del vehículo que, a su vez, es la encargada de generar un modelo del entendimiento del entorno. Este entendimiento extraído del entorno a partir de los sensores tiene especial relevancia en la seguridad durante la navegación cuando es utilizado en capas posteriores, como la Planificación de trayectorias o la Toma de decisiones, dentro de la estructura del vehículo autónomo. Por ello, la Tesis aborda por un lado la problemática de la caracterización del entorno, aportando soluciones respecto a la identificación de obstáculos, no solo centrándose en entornos urbanos, sino también en entornos off-road, donde la orografía es irregular y el entorno desestructurado. Asimismo, debido a la versatilidad de estos sensores, se consigue llevar a cabo desarrollos para la caracterización horizontal de la vía, estableciendo los límites de ésta (ya sean escenarios urbanos, interurbanos o con terreno no preparado) o extrayendo las líneas viales, obteniendo información relevante acerca del ancho de carril y el error lateral en él o el número total de carriles disponibles. Sobre la misma caracterización del entorno, se pueden establecer ciertos criterios que apoyen y mejoren el posicionamiento durante la navegación autónoma. De este modo, se han implementado métodos analíticos que, a través de las herramientas de caracterización desarrolladas, puedan apoyar una navegación autónoma o reconstruir el mapa por donde se circula. Uno de los aspectos más relevantes de esta Tesis es la aplicación de algoritmos de Machine Learning a problemas concretos de la conducción autónoma. A partir del desarrollo de estas técnicas, concretamente en el campo del Deep Learning, junto a la gran cantidad de información que proporcionan los sensores LiDAR 3D, es posible diseñar modelos con gran rendimiento y precisión. En este sentido, ya han demostrado su validez posicionándose en el estado del arte respecto a problemas de segmentación semántica, pero aún existe un gran desarrollo por delante ante problemas de regresión como en el caso de lograr un posicionamiento preciso. Por ello, se ha planteado y desarrollado algoritmos basados en redes de convolución que infieren la odometría del vehículo. A partir de estos modelos es posible obtener los valores de velocidad y variación del ángulo de guiñada entre dos observaciones consecutivas, lo que proporciona una consistencia local del posicionamiento. Además, esta estimación de la odometría puede servir para asistir a métodos convencionales cuando estos encuentran dificultades a la hora de converger a un resultado esperado. Teniendo en cuenta que el problema de posicionamiento global está condicionado analíticamente, las soluciones basadas en métodos geométricos pueden alcanzar resultados precisos. Sin embargo, en función de la información disponible del entorno, se puede originar un peor rendimiento o precisión. Los modelos basados en técnicas de Deep Learning, al abordar el problema del posicionamiento con otro enfoque, no son tan sensibles a variaciones en la información del entorno y, de esta manera, se pueden emplear como asistencia en métodos estrictamente geométricos y conseguir una consistencia global del posicionamiento. Los resultados obtenidos en cada desarrollo son contrastados y evaluados en diferentes situaciones reales a través de vehículos autónomos o instrumentados. Asimismo, la adquisición de datos y creación de datasets para la implementación de los algoritmos, se ha realizado utilizando diferentes sensores como el Velodyne VLP-16 y el Ouster OS-1 64, en ensayos en entornos controlados, urbanos o todoterreno.