Vision system enabling path planning and control for high-speed automated guided vehicle
Loading...
URL
Journal Title
Journal ISSN
Volume Title
Insinööritieteiden 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.
Authors
Date
2024-08-19
Department
Major/Subject
Mcode
Degree programme
Master's Programme in Mechanical Engineering (MEC)
Language
en
Pages
69
Series
Abstract
The development of autonomous vehicles promises a significant advance in automotive technology, with the potential to improve mobility in urban environments and enable more efficient and convenient transportation for all. Motorsports have seen increase in the implementation of autonomous racing, where the engineers can focus more on improving performance of autonomous systems rather than solely focusing on safety concerns. The knowledge gained from motorsports can be applied to improve the design of commercial vehicles in the future. This thesis discusses the initial phase of the development of a high-speed automated guided vehicle (HS-AGV), namely the vision system, which enables the further advancement of path planning and control systems. The objective of the HS-AGV is to navigate a designated track marked by traffic cones, in the shortest possible time without the input of a driver or other external influence. The objective of the vision system is to utilize a stereo camera to capture images and depth information of the track, detect traffic cones as landmarks using YOLOv8 object detector and simultaneously estimate the state of the vehicle on the track using simultaneous localization and mapping -algorithm. The vision system relies on the stereo camera as the only ranging sensor, opting to exclude LiDAR due to concerns regarding simplicity and cost. Performance of vision system was evaluated based on experiments, which were conducted in three sections: straight, slalom and turning. The experiment results proved to be acceptable. Average Root Mean Squared Error (RMSE) of 0.28 was calculated between the map estimated by vision system and ground truth. Data association proved efficient in landmark location and quality map was generated, although the sensor data displayed some degree of inaccuracy. The required frame rate was not achieved. However, a minor code optimization could result in a significant improvement in performance.Autonomisten ajoneuvojen kehitys lupaa merkittävää edistysaskeletta ajoneuvoteknologiassa, mikä voi parantaa liikenteen sujuvuutta kaupunkiympäristössä ja mahdollistaa kätevän liikkumisen kaikille. Lisääntynyt autonomia moottoriurheilussa sallii insinöörien keskittyä autonomisten järjestelmien suorituskyvyn parantamiseen eikä ainoastaan turvallisuuskysymyksiin. Moottoriurheilusta saatua kokemusta voidaan tulevaisuudessa soveltaa henkilöautojen suunnittelussa. Nopean itseohjautuvan kuljetusjärjestelmän tavoitteena on navigoida liikennekartioilla merkityllä radalla mahdollisimman nopeasti ilman kuljettajan tai muiden ulkoisten tekijöiden apua. Tässä tutkielmassa käsitellään itseohjautuvan kuljetusjärjestelmän kehityksen alkuvaihetta eli konenäköjärjestelmää, joka luo perustan reitin suunnittelun ja ohjausjärjestelmien jatkokehitykselle. Konenäköjärjestelmän tavoitteena on hyödyntää stereokameraa kuvien ja syvyystietojen keräämiseen, havaita kartioita käyttäen YOLOv8-algoritmia ja arvioida ajoneuvon paikkaa radalla käyttäen yhtäaikaista paikoitusta ja kartoitusta. Konenäköjärjestelmä käyttää stereokameraa ainoana etäisyysanturina. LiDAR-anturi jätettiin pois vedoten kustannuksiin ja helppokäyttöisyyteen liittyviin syihin. Konenäköjärjestelmän suorituskykyä arvoitiin testien perusteella, jotka suoritettiin kolmessa osiossa: suora, slalom ja kääntyminen. Testien tulokset osoittautuivat hyväksyttäviksi. Arvioidun ja todellisen kartan välinen neliöllinen keskiarvo oli 0.28. Tietojen assosiaatiojärjestelmä osoittautui tarkaksi maamerkkien paikantamisessa, joka johti laadukkaan kartan luontiin, vaikka sensoridata oli välillä epäluotettavaa. Vaadittua kuvataajuutta ei saavutettu, mutta pienellä koodin optimoinnilla suorituskykyä voitaisiin parantaa huomattavasti.Description
Supervisor
Ojala, RistoThesis advisor
Kuosmanen, PetriKeywords
autonomous driving, autonomous racing, computer vision, YOLO object detection, SLAM, formula student