Motion-based extrinsic parameter calibration of a robot’s multisensor system

dc.contributorAalto-yliopistofi
dc.contributorAalto Universityen
dc.contributor.advisorAhtiainen, Juhana
dc.contributor.authorPekkanen, Matti
dc.contributor.schoolSähkötekniikan korkeakoulufi
dc.contributor.supervisorVisala, Arto
dc.date.accessioned2018-06-29T08:42:43Z
dc.date.available2018-06-29T08:42:43Z
dc.date.issued2018-06-18
dc.description.abstractThis work presents an extrinsic parameter calibration of two Light Detection And Ranging (LiDAR) sensors fitted in a mobile robot platform. The LiDARs do not see each other, and are connected to separate computers. The calibration method is motion-based, targetless, data driven and requires no a priori information about the system. The motivation of the work comes from the need of a robust and accurate method for extrinsic parameter calibration, that is not dependent on specific calibration location, calibration target, or any a priori information about the system itself. This makes the calibration method usable in situations, where the system to be calibrated cannot easily be moved to a specific calibration location, or the calibration targets are infeasible to move in the sight of the sensors. The initial guesses for the parameters can be hard to obtain if the system is large, or the sensors hard to reach. The method described in this work supports multimodal sensors, and is not restricted to using LiDAR sensors. The extrinsic parameters of the LiDARs sensors are estimated in relation to the robot’s base link. First, the base link trajectory is estimated using an extended Kalman filter based algorithm that uses an Real-Time Kinematic (RTK) GNSS, an Inertial Measurement Unit (IMU) and wheel encoders. Second, the LiDAR trajectories are estimated using a normal distributions transform (NDT)-based registration approach. The time offset between the two computers is estimated from the estimated rotational magnitudes, and outliers are filtered from the data. Finally, the data are sampled to provide pose pairs, from which the extrinsic parameters are estimated using a cascading optimization, where a genetic algorithm optimizes the initial values of a gradient descent algorithm, and uses the output of the gradient descent algorithm as its cost function. The gradient descent algorithm optimizes the extrinsic parameters using the difference of the changes of the pose estimates as its cost function. The estimation accuracy is comparable with other motion-based calibration methods. The rotation parameter estimates are accurate, whereas the translation parameter estimates are coarse. This problem is solved by using the measured values for the translation parameters. The results are found to be roughly in line with the state-of-the-art motion-based calibration methods.en
dc.description.abstractTyössä kalibroidaan kahden mobiilirobottiin asennetun Light Detection And Ranging (LiDAR)-sensorin ulkoiset parametrit. Sensorit eivät näe toisiaan, ja ne ovat kytketty erillisiin tietokoneisiin. Kuvailtu kalibraatiometodi on liikepohjainen, kalibraatiokohteeton, datapohjainen, eikä vaadi a priori -tietoa järjestelmästä. Työ tehtiin, sillä tarkkaa ja robustia kalibraatiometodia, joka ei ole riippuvainen kalibraatioympäristöstä, kalibraatiokohteesta, taikka a priori -tiedosta, ei ole helposti saatavilla. Tällainen kalibraatiomenetelmä on erityisen käyttökelpoinen tilanteissa, joissa kalibroitavaa järjestelmää on vaikea liikuttaa kalibraatiota varten luotuun ympäristöön, tai jos kalibraatiokohteen liikuttaminen sensoreiden näkökentässä on vaikeaa tai mahdotonta. Myös a priori -tiedon, kuten alkuarvausten, saaminen voi olla vaikeaa tilanteissa, joissa kalibroitava järjestelmä on suuri, tai jos sensorit ovat vaikeasti saavutettavissa. Työssä kuvailtu metodi toimii multimodaalisilla sensoreilla, eikä ole ainoastaan käyttökelpoinen LiDAReilla. LiDARien ulkoiset parametrit estimoidaan suhteessa robotin keskipisteeseen. Robotin keskipisteen liikerata estimoidaan käyttäen algoritmia, joka perustuu laajennettuun Kalmansuotimeen. Kalmansuodin yhdistää dataa Real-Time Kinematic (RTK) GNSS -vastaanottimesta, kiihtyvyysanturista sekä robotin pyörien enkoodereista. LiDARien liikeradat estimoidaan normal distributions transform (NDT) -pohjaista rekisteröintimenetelmää käyttäen. Aikaviive kahden tietokoneen välillä estimoidaan vertailemalla estimoitujen liikeratojen rotaatioiden suuruuksia. Dataa suodatetaan poistaen siitä mittausvirheitä ja kohinaa. Lopuksi datasta valikoidaan asentopareja, joista ulkoiset parametrit estimoidaan käyttäen sisäkkäistä optimointia, jossa geneettinen algoritmi optimoi gradienttimenetelmän alkuarvoja, käyttäen gradienttimenetelmän lopputulosta kustannusfunktionaan. Gradienttimenetelmä minimoi ulkoisten parametrien estimaattien virhettä käyttäen liikeratojen muutosten eroa kustannusfunktionaan. Parametrien estimaattien tarkkuus on vertailukelpoista muiden liikepohjaisten kalibraatiomenetelmien kanssa. Rotaatioparametrien estimaatit ovat tarkkoja, kun taas translaatioparametrien estimaatit ovat suuntaa-antavia. Tarkkuusongelma ratkaistaan käyttämällä translaatioparametreinä niiden mitattuja arvoja. Työn tuloksien tarkkuuden todetaan olevan karkeasti muiden modernien liikepohjaisten kalibraatiomenetelmien tasolla.fi
dc.format.extent54 + 10
dc.format.mimetypeapplication/pdfen
dc.identifier.urihttps://aaltodoc.aalto.fi/handle/123456789/32396
dc.identifier.urnURN:NBN:fi:aalto-201806293806
dc.language.isoenen
dc.locationP1fi
dc.programmeAEE - Master’s Programme in Automation and Electrical Engineering (TS2013)fi
dc.programme.majorControl, Robotics and Autonomous Systemsfi
dc.programme.mcodeELEC3025fi
dc.subject.keywordcalibrationen
dc.subject.keywordextrinsic parametersen
dc.subject.keywordmotion estimationen
dc.subject.keywordtiming offset estimationen
dc.subject.keywordmobile roboticsen
dc.titleMotion-based extrinsic parameter calibration of a robot’s multisensor systemen
dc.titleLiikepohjainen robotin moniaistijärjestelmän ekstrinsisten parametrien kalibrointifi
dc.typeG2 Pro gradu, diplomityöfi
dc.type.ontasotMaster's thesisen
dc.type.ontasotDiplomityöfi
local.aalto.electroniconlyyes
local.aalto.openaccessyes
Files
Original bundle
Now showing 1 - 1 of 1
No Thumbnail Available
Name:
master_Pekkanen_Matti_2018.pdf
Size:
31.03 MB
Format:
Adobe Portable Document Format