LIDAR-based Semantic Segmentation for Navigation in Semi-Dynamic Environments
Loading...
Journal Title
Journal ISSN
Volume Title
Sähkötekniikan korkeakoulu |
Master'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.
Author
Date
2024-03-11
Department
Major/Subject
Control, Robotics and Autonomous Systems
Mcode
ELEC3025
Degree programme
AEE - Master’s Programme in Automation and Electrical Engineering (TS2013)
Language
en
Pages
97
Series
Abstract
The adoption of autonomous mobile robots across industries has increased the demand for sophisticated navigation systems capable of operating in complex and dynamic environments. To address the need, this thesis presents the development and evaluation of a navigation system for mobile robots. In particular, the focus is on managing the semi-dynamic obstacles of the environment, which are obstacles that can be static for long periods of time but will still occasionally move. Examples of semi-dynamic obstacles include temporary construction barriers or parked vehicles. These semi-dynamic obstacles pose a challenge for autonomous navigation, as they are often erroneously mapped as static obstacles. This causes navigation systems to operate based on incorrect assumptions about obstacle locations, which can cause the robot to take unnecessary detours or become trapped. To address the challenge, this thesis proposes utilizing deep-learning semantic segmentation applied to LIDAR data to differentiate between temporarily and permanently blocked paths. The semantic segmentation model employed in this system is trained on a custom synthetic dataset, and operates in real time as the robot explores the environment. The acquired semantic information is combined with three-dimensional occupancy mapping, A*-based path planning, and recovery behaviors for reacting to movements of semi-dynamic obstacles. The system's proficiency in managing semi-dynamic obstacles is validated through simulated experiments. Furthermore, the system is tested using the real-world Boston Dynamics Spot robot.Autonomisten itseajavien robottien käyttöönotto eri teollisuudenaloilla on lisännyt kysyntää kehittyneille navigointijärjestelmille, jotka kykenevät toimimaan monimutkaisissa ja muuttuvissa ympäristöissä. Tähän tarpeeseen vastaamiseksi tässä diplomityössä esitetään autonomisesti liikkuville roboteille suunnattu navigaatiojärjestelmän kehittäminen, toimintaperiaatteet ja arviointi. Työssä keskitytään erityisesti ajoittain liikkuvien esteiden hallintaan ja niiden huomioimiseen. Tässä tapauksessa ajoittain liikkuvilla esteillä viitataan esteisiin, jotka ovat yleensä paikallaan, mutta saattavat liikkua ja vaihtaa paikkaa ajoittain, ennalta arvaamattomasti. Tällaisia liikuteltavia esteitä ovat esimerkiksi tilapäiset rakennusesteet tai pysäköidyt ajoneuvot. Nämä liikuteltavat esteet muodostavat haasteen autonomiselle navigoinnille, koska ne kartoitetaan usein virheellisesti staattisiksi esteiksi. Tämä voi johtaa tilanteisiin, jossa navigointijärjestelmä tekee päätöksiä, jotka perustuvat virheellisiin oletuksiin esteiden sijainnista. Virheelliset oletukset voivat johtaa siihen, että robotti kulkee tarpeettomia kiertoteitä tai jää loukkuun. Tähän haasteeseen vastaamiseksi tässä työssä ehdotetaan LIDAR-dataan sovellettavan syväoppimisen hyödyntämistä, jonka tarkoituksena on erotella väliaikaiset ja pysyvät esteet toisistaan. Järjestelmässä käytetty syväoppimismalli koulutettiin räätälöidyllä synteettisellä tietojoukolla ja se toimii reaaliajassa robotin tutkiessa ympäristöä. Hankittu semanttinen tieto on yhdistetty kolmiulotteiseen tilakartoitukseen, A*-pohjaiseen polunsuunnitteluun ja ongelmatilanteiden ratkaisemiseksi luotuun palautumiskäyttäytymiseen, joka pystyy reagoimaan liikuteltavien esteiden liikkeisiin. Järjestelmän toimivuus on vahvistettu simuloiduin kokein ympäristössä, jossa esteet voivat vaihtaa paikkaa ajoittain. Lisäksi, järjestelmä on testattu käyttäen todellista Boston Dynamicsin Spot-robottia.Description
Supervisor
Pajarinen, JoniThesis advisor
Pajarinen, JoniKeywords
LIDAR, semantic segmentation, mobile robots, navigation
