LIDAR-based Semantic Segmentation for Navigation in Semi-Dynamic Environments

dc.contributorAalto-yliopistofi
dc.contributorAalto Universityen
dc.contributor.advisorPajarinen, Joni
dc.contributor.authorTuomisto, Jaakko
dc.contributor.schoolSähkötekniikan korkeakoulufi
dc.contributor.supervisorPajarinen, Joni
dc.date.accessioned2024-03-17T18:15:56Z
dc.date.available2024-03-17T18:15:56Z
dc.date.issued2024-03-11
dc.description.abstractThe 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.en
dc.description.abstractAutonomisten 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.fi
dc.format.extent97
dc.format.mimetypeapplication/pdfen
dc.identifier.urihttps://aaltodoc.aalto.fi/handle/123456789/127153
dc.identifier.urnURN:NBN:fi:aalto-202403172791
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.keywordLIDARen
dc.subject.keywordsemantic segmentationen
dc.subject.keywordmobile robotsen
dc.subject.keywordnavigationen
dc.titleLIDAR-based Semantic Segmentation for Navigation in Semi-Dynamic Environmentsen
dc.titleLIDAR-dataan sovellettava syväoppiminen ja sen hyödyntäminen itseajavien robottien navigoinnissa muuttuvassa ympäristössäfi
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_Tuomisto_Jaakko_2024.pdf
Size:
25.6 MB
Format:
Adobe Portable Document Format