Safe Navigation for Unmanned Ground Vehicles: Novel Methods for Terrain Traversability Analysis and Human Detection

Abstract

Unmanned ground vehicles (UGV) have emerged from research institutes into the outside world over the last decade. For example, UGVs are already part of everyday operations in some mines and harbors around the world. Furthermore, self-driving cars have recently been widely discussed in the news and are expected to be on the market within the next five to ten years. Nonetheless, these UGVs are designed to operate in structured environments and cannot negotiate off-road terrain. Moreover, the reliability of state-of-the-art human detection systems is still not good enough to ensure safety at all times in some application areas.

This thesis proposes novel methods that address these limitations of current UGV systems. It presents the whole chain of developing a UGV system for off-road environments, but the main result of the thesis is to describe the novel terrain traversability analysis methods developed for unstructured environments. It also presents a new, efficient representation of traverasbility mapping and proposes two new approaches for traversability classification that exploit this representation. Furthermore, it presents two innovative methods for augmenting traversability with ultra-wideband (UWB) radar data. Since UWB radars can penetrate some amount of vegetation, the developed methods enable the clearance of obstacle-free vegetation (an area of vegetation that could be driven through) from the generated traversability maps, which is not possible with current state-of-the-art methods.

The thesis also presents two novel human detection methods that exploit 2D LIDAR (Light Detection and Ranging) and radar data, respectively. The LIDAR-based human detection method is computationally very efficient, whereas the radar-based method (utilizing only radar data) demonstrates the potential of radar sensors, typically more robust against adverse weather conditions, in human detection applications. The developed methods provide valuable insights into exploiting additional sensor modalities to supplement traditionally used, camera-based human detection methods.

The performance of all the developed methods was evaluated by conducting extensive field experiments using real UGV systems. The results demonstrate that the methods proposed in this thesis enable safe navigation performance for UGVs, even in densely vegetated, populated environments.

Miehittämättömät ajoneuvot (Unmanned Ground Vehicle, UGV) ovat viime vuosikymmenen aikana vähitellen siirtyneet tutkimuslaboratorioista osaksi jokapäiväistä elämäämme. Esimerkiksi monissa kaivoksissa ja satamissa on nykyisin tuotantokäytössä ilman kuljettajaa liikkuvia ajoneuvoja. Autonomiset autot ovat viime aikoina olleet runsaasti esillä tiedotusvälineissä. Niiden uskotaan tulevan markkinoille jo seuraavan viiden vuoden aikana. Edellä esimerkkeinä mainitut miehittämättömät ajoneuvot on kuitenkin kehitetty toimimaan strukturoidussa ympäristössä. Ne eivät pysty operoimaan ennalta tuntemattomassa kompleksisessa maastossa. Miehittämättömien ajoneuvojen havainnointijärjestelmien luotettavuus ei myöskään vielä ole kaikkiin sovelluksiin riittävän hyvä ihmisten turvallisuuden takaamiseksi.

Tässä väitöskirjassa esitellään uusia menetelmiä vastaamaan edellä mainittuihin UGV-järjestelmien haasteisiin. Työssä kuvaillaan UGV-järjestelmän koko kehitysprosessi, mutta tärkeimmät tulokset ovat uudet maaston kulkukelpoisuuden estimointimenetelmät, joilla mahdollistetaan turvallinen navigointi myös monimuotoisessa kasvillisuuden peittämässä maastossa. Työssä esitetään uusi kolmiulotteinen ympäristökuvaus kulkukelpoisuuskartoitukseen. Tällä mahdollistetaan tehokas kulkukelpoisuuden estimointi. Lisäksi esitellään kaksi innovatiivista menetelmää ultralaajakaistatutkan (UWB) mittausten yhdistämiseksi UGV:n ympäristömalliin. Näin mahdollistetaan läpiajettavan kasvillisuuden oikea luokittelu.

Työssä esitellään myös kaksi uutta menetelmää ihmisten havainnointiin. Niissä hyödynnetään laser- ja tutkamittauksia kamerapohjoisten menetelmien sijaan. Lasermittauksiin perustuva menetelmä vaatii hyvin vähän laskentatehoa ja soveltuu siksi hyvin myös järjestelmiin, joissa laskentateho on rajoittava tekijä. Tutkamittauksia hyödyntävä menetelmä mahdollistaa mittaukset myös vaikeissa sääoloissa. Kehitetyt menetelmät eivät yksinään ole riittävän luotettavia kaikkien ihmisten havaitsemiseen, mutta ne tarjoavat arvokasta lisätietoa yhdistettäväksi perinteisillä kamerapohjaisilla menetelmillä saatujen havaintojen kanssa.

Kaikkien tässä työssä kehitettyjen menetelmien suorituskykyä arvioitiin laajamittaisilla kenttätesteillä aitoja UGV-järjestelmiä käyttäen. Tulokset osoittavat, että näiden menetelmien avulla on mahdollista kehittää miehittämätön ajoneuvo, joka pystyy havaitsemaan ihmiset ja muut esteet myös tiheän kasvillisuuden seassa.