The rapid development of autonomous vehicle (AV) technology has significant potential to transform transportation by enhancing safety, reducing traffic congestion, and increasing mobility. Accurate positioning, essential for navigation, obstacle avoidance, and adherence to traffic regulations, remains a substantial challenge in diverse and
dynamic environments.
This thesis investigates the use of filter smoothing techniques to generate accurate ground truth datasets for positioning estimation in autonomous vehicles. The primary objective is to evaluate the effectiveness of these techniques in creating a reliable reference trajectory that can be used to assess online position estimates. This study leverages the same sensor data for ground truth creation as was used for positioning, applying filter smoothing algorithms to refine position estimates iteratively.
The research methodology involves collecting sensor data from an autonomous vehicle equipped with various sensors, including LiDAR, IMU, wheel encoders, and RTK-GNSS. The data is processed to generate both filter-smoothed and online position estimates, which are then compared using various error metrics to assess accuracy and reliability under different environmental conditions.
The results of the performance evaluation of the positioning system used in this study provides stable and consistent position estimates, but it seems that the positioning system struggles to meet the arbitrary goal of 20 cm error, particularly under adverse weather conditions. The evaluation reveals that X-coordinate errors are disproportionately larger compared to Y-coordinate errors, suggesting a directional bias. Additionally, weather conditions such as mist, rain, and snow significantly impact positioning performance.
This work concludes that while filter smoothing shows promise, its viability as a definitive ground truth method requires further validation. Due to this lack of validation, the performance evaluation remains inconclusive. Future work should involve comprehensive validation processes, comparison with established ground truth sources, and analysis under diverse operational conditions.Autonomisten ajoneuvojen (AV) teknologian nopealla kehityksellä on mahdollisuus mullistaa liikennettä parantamalla turvallisuutta, vähentämällä liikenneruuhkia ja parantamalla liikkuvuutta. Paikannusjärjestelmän tarkkuus, joka on keskeistä sekä navigoinnille, esteiden välttämiselle että liikennesääntöjen noudattamiselle, on edelleen merkittävä haaste monimuotoisissa ja dynaamisissa ympäristöissä.
Tässä diplomityössä tutkitaan filter smoothingin käyttöä tarkan paikannusdatan luomiseksi autonomisten ajoneuvojen paikannusjärjestelmien evaluointia varten. Tavoitteena on arvioida näiden tekniikoiden tehokkuutta luotettavan referenssireitin luomisessa, jota voidaan käyttää reaaliaikaisesti luotujen paikkaestimaattien arvioimiseen. Tässä tutkimuksessa hyödynnetään samaa reaaliaikaiseen paikannukseen käytettyä anturidataa referenssireitin luomiseen, hyödyntäen filter smoothingia paikkaestimaattien iteratiiviseen parantamiseen.
Tutkimusmenetelmä sisältää anturidatan keräämisen autonomisesta ajoneuvosta, joka on varustettu useilla antureilla, mukaan lukien LiDAR, IMU, renkaiden pyörimisnopeusanturi ja RTK-GNSS. Kerätystä datasta luodaan sekä filter smoothing referenssireitti että reaaliaikainen paikannusreitti, joita vertaamalla luodaan erilaisia virhemetriikoita paikannuksen tarkkuuden ja luotettavuuden arvioimiseksi eri ympäristöolosuhteissa.
Tulokset osoittavat, että vaikka filter smoothing tuottaa vakaita ja johdonmukaisia paikkaestimaatteja, arvioitava paikannusjärjestelmä ei pysty saavuttamaan 20 cm virherajaa, erityisesti epäsuotuisissa sääolosuhteissa. Arvioinnissa havaittiin, että X-koordinaatin virheet ovat suhteettomasti suurempia kuin Y-koordinaatin virheet, mikä viittaa suuntaan liittyvään vinoumaan. Lisäksi sumu, sade ja lumi vaikuttavat merkittävästi paikannussuorituskykyyn.
Johtopäätös on, että vaikka filter-smoothingin käyttö vaikuttaa lupaavalta, sen käyttökelpoisuus lopullisen referenssidatan luomiseen vaatii lisävahvistusta. Tämän vahvistuksen puutteen vuoksi suorituskyvyn arviointi jää epävarmaksi. Jatkotutkimuksissa tulisi tehdä kattavaa validointityötä, vertailla dataa tunnettuihin ja tarkkoihin referenssilähteisiin sekä analysoida toimintaa monenlaisissa olosuhteissa.
