Performance metrics and velocity influence for point cloud registration in autonomous vehicles

Abstract

[ES] Actualmente se están estudiando los vehículos autónomos y una de las partes críticas es la localización del vehículo en el entorno. A lo largo de los años se han estudiado diferentes métodos de localización, como el sensor GPS, comúnmente fusionado con otros sensores como la IMU. Sin embargo, las situaciones en las que el vehículo atraviesa un túnel, un puente, o simplemente hay congestión de tráfico, pueden hacer que el vehículo se pierda. Por ello, se han utilizado otros métodos como el registro de nubes de puntos, en el que se alinean dos nubes de puntos, encontrando así la pose del vehículo en un mapa precomputado. El alineamiento de nubes de puntos, aunque es un método útil y funcional, no está exento de errores que pueden llevar a la deslocalización del vehículo. La intención de este trabajo es desarrollar y comparar diferentes métricas capaces de medir en tiempo real el rendimiento del algoritmo de alineación de nubes de puntos utilizado, en este caso la Transformada de Distribución Normal (TND). Para ello, es importante en primer lugar saber si la posición obtenida cumple con los requisitos mínimos previamente establecidos, simplemente conociendo los parámetros de entrada y salida del algoritmo. Además de clasificar el posicionamiento como bueno o malo, el objetivo es disponer de un parámetro de calidad que permita estimar el error cometido en un entorno complejo donde la incertidumbre es muy elevada. Además, también se estudiará la influencia de la velocidad del vehículo en el error cometido por el algoritmo de alineación de nubes de puntos para determinar si existe alguna correlación significativa entre ellos. Para ello, se han estudiado cuatro métricas diferentes, siendo dos de ellas nuevas aportaciones a este algoritmo, denominadas Error Propagation y CorAl, mientras que las denominadas Hessian y Score se obtienen del propio algoritmo de alineamiento. Una vez implementadas las métricas, todas ellas fueron sometidas a los mismos experimentos, obteniendo así para cada instante una medida de calidad que permitiera realizar una comparación justa. Estos experimentos se realizaron sobre dos rutas diferentes, siendo simuladas 5 veces cada una. Además, a partir de estas simulaciones se registró la velocidad, lo que permitió realizar el estudio de influencia. Los resultados muestran que las métricas con mejor rendimiento en términos de clasificación y estimación fueron la Propagación de errores y la Hessiana, siendo imposible determinar un valor umbral para el caso de CorAl. Además, muestran que, a pesar de ser funcional, la estimación del error dista mucho de ser perfecta. También se ha demostrado que la estimación del error del eje lateral del vehículo es más compleja que en el caso del eje longitudinal. Por último, se ha encontrado una relación fuerte y positiva entre la velocidad del vehículo y el error cometido por el algoritmo de alineación.

[EN] Autonomous vehicles are currently under study and one of the critical parts is the localization of the vehicle in the environment. Different localization methods have been studied over the years, such as the GPS sensor, commonly fused with other sensors such as the IMU. However, situations where the vehicle crosses a tunnel, a bridge, or there is simply traffic congestion, can cause the vehicle to get lost. Therefore, other methods such as point cloud registration have been used, where two point clouds are aligned, thus finding the pose of the vehicle on a precomputed map. Point cloud alignment, although a useful and functional method, is not free from errors that can lead to vehicle mislocalization. The intention of this work is to develop and compare different metrics capable of measuring in real time the performance of the point cloud alignment algorithm used, in this case Normal Distribution Transform (NDT). Therefore, it is important first of all to know if the position obtained meets the minimum requirements previously set, just by knowing the input and output parameters of the algorithm. In addition to classifying the positioning as good or bad, the objective is to have a quality parameter that allows estimating the error committed in a complex environment where the uncertainty is very high. In addition, the influence of vehicle speed on the error made by the point cloud alignment algorithm will also be studied to determine whether there is any significant correlation between them. For this purpose, four different metrics have been studied, two of them being new contributions to this algorithm, called Error Propagation and CorAl, while the ones called Hessian and Score are obtained from the alignment algorithm itself. Once the metrics were implemented, all of them were subjected to the same experiments, thus obtaining for each instant a quality measure that allowed a fair comparison to be made. These experiments were carried out on two different routes, being simulated 5 times each. In addition, from these simulations the speed was recorded, allowing the influence study to be carried out. The results show that the best performing metrics in terms of classification and estimation were the Error Propagation and the Hessian, while being impossible to determine a threshold value for the case of CorAl. Furthermore, they show that despite being functional, the error estimation is still far from perfect. It has also been shown that the error estimation of the lateral axis of the vehicle is more complex than in the case of the longitudinal axis. Finally, a strong and positive relationship between the vehicle speed and the error made by the alignment algorithm has been found.