login
english version rss feed
Detailed view PhD thesis
Institut National Polytechnique de Grenoble - INPG (18/09/2009), Christian LAUGIER, Olivier AYCARD (Dir.)
Attached file list to this document: 
PDF
thesis.pdf(5 MB)
ANNEX
SLAMMOT.wmv(6.2 MB)
SLAM_with_MovingObjectDetection.wmv(5.4 MB)
Vehicle Perception: Localization, Mapping with Detection, Classification and Tracking of Moving Objects
Trung-Dung Vu1

Perceiving or understanding the environment surrounding of a vehicle is a very important step in building driving assistant systems or autonomous vehicles. In this thesis, we study problems of simultaneous localization and mapping (SLAM) with detection, classification and tracking moving objects in context of dynamic outdoor environments focusing on using laser scanner as a main perception sensor. It is believed that if one is able to accomplish these tasks reliably in real time, this will open a vast range of potential automotive applications. The first contribution of this research is made by a grid-based approach to solve both problems of SLAM with detection of moving objects. To correct vehicle location from odometry we introduce a new fast incremental scan matching method that works reliably in dynamic outdoor environments. After good vehicle location is estimated, the surrounding map is updated incrementally and moving objects are detected without a priori knowledge of the targets. Experimental results on datasets collected from different scenarios demonstrate the efficiency of the method. The second contribution follows the first result after a good vehicle localization and a reliable map are obtained. We now focus on moving objects and present a method of simultaneous detection, classification and tracking moving objects. A model-based approach is introduced to interpret the laser measurement sequence over a sliding window of time by hypotheses of moving object trajectories. The data-driven Markov chain Monte Carlo (DDMCMC) technique is used to solve the data association in the spatio-temporal space to effectively find the most likely solution. We test the proposed algorithm on real-life data of urban traffic and present promising results. The third contribution is an integration of our perception module on a real vehicle for a particular safety automotive application, named Pre-Crash. This work has been performed in the framework of the European Project PReVENT-ProFusion in collaboration with Daimler AG. A comprehensive experimental evaluation based on relevant crash and non-crash scenarios is presented which confirms the robustness and reliability of our proposed method.
1:  INRIA Grenoble Rhône-Alpes / LIG Laboratoire d'Informatique de Grenoble - E-MOTION
SLAM – multiple object tracking – range sensor processing – intelligent vehicle

Vehicle Perception: Localization, Mapping with Detection, Classification and Tracking of Moving Objects
La perception de l'environnement dynamique d'un véhicule est une étape très importante dans la construction d'un système d'assistance à la conduite automobile. Le travail de thèse aborde les problèmes associés de localisation, de cartographie (appelé " mapping "), de détection, de classification, et de suivi des objets mobiles perçus à l'aide des capteurs embarqués. Les modèles et algorithmes développés se concentrent sur l'utilisation de capteurs télémétriques à balayage laser. Dans un premier temps, nous proposons une méthode basée sur une grille d'occupation pour résoudre le problème de " mapping " avec détection des objets mobiles. Afin de corriger les données odométriques du véhicule qui sont toujours entachées d'erreurs, une nouvelle méthode rapide de " scan matching " est introduite, apte à fonctionner de manière fiable dans des environnements dynamiques. Cela permet de localiser correctement le véhicule, et ainsi de mettre à jour de manière incrémentale la carte courante et de détecter les objets mobiles. La deuxième contribution est une méthode simultanée de détection, classification et suivi des objets mobiles. Une approche fondée sur les modèles d'objets est introduite permettant d'interpréter la séquence de données laser par des hypothèses de trajectoires d'objets mobiles. La technique de " Data-Driven Markov chain Monte Carlo " (DDMCMC) est utilisée pour résoudre de manière efficace le problème d'association des données dans un espace " spatio-temporel " et fournir la solution la plus probable. La méthode a été validée sur des données réelles avec des résultats très prometteur. Les travaux sont valorisés à travers une collaboration industrielle avec Daimler AG dans le cadre du projet européen PREVENT. Le module de perception a été intégré sur un véhicule réel dans une application automobile particulière, appelée le " Pre-Crash ". Celle-ci a donnée lieu à des démonstrations lors des journées de présentation des résultats du projet.
SLAM – multiple object tracking – range sensor processing – intelligent vehicle

all articles on CCSd database...
all articles on CCSd database...
all articles on CCSd database...
all articles on CCSd database...
all articles on CCSd database...