Localization of Autonomous Vehicles

Thumbnail Image

Files

Lee_Benjamin_2025.pdf (919.95 KB)

URL

Journal Title

Journal ISSN

Volume Title

Sähkötekniikan korkeakoulu | Bachelor's thesis
Unless otherwise stated, all rights belong to the author. You may download, display and print this publication for Your own personal use. Commercial use is prohibited.

Authors

Date

2025-05-30

Department

Major/Subject

Automaatio ja robotiikka

Mcode

ELEC3014

Degree programme

Sähkötekniikan kandidaattiohjelma

Language

en

Pages

33

Series

Abstract

Autonomous vehicles (AVs) are equipped with a range of sensors and methodologies to facilitate the perception of their place within an environment. The combination of different sensor types, or sensor fusion, is a pivotal aspect of how AVs localize. The utilization of these sensors in localization can depend on the requirements of the AV as well as the environment it works in. This thesis is a literature review of various sensor fusion and localization methods used in AV localization. The objective of this study is to explore the various sensor fusion and localization methods employed in different AV environments. The review of this thesis is divided into three different categories corresponding to a distinct AV environment. The three categories of environments are: urban, unstructured and controlled. AVs working in urban environments were observed to utilize almost exclusively LIDAR and cameras as their main sensor. This was due to the necessity for high precision localization. Map matching and SLAM were utilized as the localization methods. In unstructured environments, robust multi-sensor fusion was utilized due to the low-feature qualities of unstructured environments. The relative simplicity of controlled environments led to the adoption of simpler localization methods and sensors. Similarly, generally higher localization accuracy was achieved. Finally, LIDAR and camera dominance in high-precision localization was discovered to be a main theme across all categories. Similarly SLAM and map matching were regarded as standard localization methods. ML was utilized to enhance localization. Additionally, GNSS, IMU, radar and other odometry were utilized as auxiliary sensors in the localization process.

Autonomiset ajoneuvot (AV) käyttävät erilaisia antureita ja menetelmiä selvittääkseen ympäristönsä ja paikkansa ympäristössä. Antureiden yhdistäminen eli anturifuusio on tärkeä osa autonomisten ajoneuvojen paikannusta. Tietyn anturin käyttö autonomisten ajoneuvojen paikannuksessa riippuu paikannumenetelmästä sekä usein myös ajoneuvon ympäristöstä. Oikeiden antureiden ja paikannusmenetelmän valinta on tärkeää, jotta ajoneuvo voisi suorittaa tehtävänsä tehokkaasti. Vaikka on lukuisia tutkimuksia autonomisten ajoneuvojen paikannuksesta, riittävästi tietoa ei ole siitä, mitkä paikannusmenetelmät ja anturifuusiot toimivat parhaiten tietyissä ympäristöissä. Tämä opinnäytetyö on kirjallisuustutkimus eri anturifuusio- ja paikannusmenetelmistä autonomisissa ajoneuvoissa. Tavoitteena on selvittää, mitä anturifuusioita ja paikannusmenetelmiä käytetään autonomisissa ajoneuvoissa erilaisissa ympäristöissä. Kirjallisuustutkimus laadittiin analysoimalla useita nykyisiä tutkimuksia autonomisten ajoneuvojen paikannukseen liittyen. Tutkimuksen löydökset jaetaan kolmeen kategoriaan autonomisten ajoneuvojen ympäristön perusteella. Kategoriat ovat kaupunki, strukturoimaton ja valvottu ympäristö. Näiden kategorioiden perusteella nähdään autonomisten ajoneuvojen paikannuksen eroavaisuudet ympäristön perusteella. Tutkimuksen perusteella voidaan sanoa, että kaupunkiympäristössä usein käytetään korkeaa mittatarkkuuden omaavia antureita, kuten LIDARia ja kameroita. Kaupunkiympäristössä käytetään myös tarkkoja paikannusmenetelmiä, kuten Simultaneous Localization and Mapping (SLAM) menetelmää ja karttasovitusta. Strukturoimattomassa ympäristössä autonominen ajoneuvo usein vaatii luotettavaa monianturista paikannusta koska ympäristössä ei ole usein monia paikannusta helpottavia piirteitä kaupunkiympäristöön verrattuna. Valvotussa ympäristössä hyödynnetään usein yksinkertaisempia antureita ja paikannusmenetelmiä. Koska ympäristö on yleensä yksinkertainen, valvotussa ympäristössä toimivat autonomiset ajoneuvot paikantavat usein korkeammalla tarkkuudella kuin muut autonomiset ajoneuvot. Lopuksi käsitellään yleisesti tämän työn perusteella löydettyjä pääteemoja autonomisten ajoneuvojen paikannuksessa. Yhdeksi teemaksi löytyi LIDARin ja kameran käyttö korkeaa tarkkaavaisuutta vaativissa tehtävissä. SLAM ja kartta sovitus ovat nykyinen standardi useissa ympäristöissä. Koneoppimista paikannuksen avustuksessa hyödynnettiin kaikissa ympäristöissä. Lopuksi ilmenee että, GNSS:aa, tutkaa, IMU:a ja muuta odometria käytetään usein paikannuksessa täydentävinä antureina. Tulevaisuudessa etenkin koneoppimisessa on potentiaalia. Neuroverkojen ja vahvistusoppimisen soveltaminen autonomisten ajoneuvojen paikannuksessa on vielä vähän tutkimustietoa ja käyttöesimerkkejä. Nämä teknologiat kehittyvät nopeassa tahdissa, jolla on suuria vaikutuksia autonomisten ajoneuvojen paikannukseen tulevaisuudessa. Neuroverkkojen kehittyminen voi vaikuttaa end-to-end autonomiseen ajamisen käytön kannattavuuteen ja sillä on useita etuja modulaariseen autonomiseen ajoon verrattuna. Toinen teknologia, jossa on tulevaisuuden potentiaalia on V2X paikannus. V2X paikannuksesta tutkimustietoa löytyy runsaasti, mutta autonomisia ajoneuvoihin liittyvää tutkimuksia ei ole montaa. V2X paikannus voisi lisätä autonomisen ajoneuvon paikannuksen tarkkuutta ja luotettavuutta.

Description

Supervisor

Forsman, Pekka

Thesis advisor

Forsman, Pekka

Keywords

autonomous vehicles, localization, sensor fusion, localization environments, slam, map matching

Other note

Citation

Permanent link to this item

https://urn.fi/URN:NBN:fi:aalto-202506174782

Collections

[kand] Sähkötekniikan korkeakoulu / ELEC