LiDAR Inverse Sensor Modelling for Occupancy Grid Mapping in the Context of Autonomous Vehicles

Abstract

[ES] Esta tesis explora el desarrollo y la aplicación de un modelo inverso de sensores diseñado para mejorar el procesamiento de datos LiDAR dentro de los Mapas de Cuadrículas Transicionales (TGMs), que representan un enfoque innovador que categoriza de manera distinta los objetos dinámicos y estáticos, lo cual es crucial para una navegación precisa en tiempo real. El modelo inverso de sensores es una parte importante del mapeo de cuadrículas de ocupación, ya que estima la probabilidad de que una celda esté ocupada dado el sensor actual y la posición del vehículo.

Inicialmente, la tesis elabora sobre los desafíos teóricos y técnicos que plantean los modelos de sensores tradicionales en entornos dinámicos. Para abordar estos desafíos, después de una evaluación exhaustiva de diferentes alternativas, proponemos un sistema refinado que optimiza el preprocesamiento de datos LiDAR, incluyendo la filtración de ruido, la eliminación del suelo y la reducción de la cantidad de datos. Estas mejoras facilitan el uso efectivo de modelos inversos de sensores para construir mapas de cuadrículas de ocupación más confiables.

La validación empírica se lleva a cabo a través de dos estudios de caso: un entorno estático controlado y un entorno urbano dinámico, donde se evalúa el rendimiento del modelo. Los resultados demuestran mejoras significativas en la precisión del mapeo de cuadrículas, destacando la robustez y adaptabilidad del modelo a diferentes contextos operativos, así como el correcto desempeño de los TGMs en un entorno real.

Como conclusión, esta investigación proporciona respuestas convincentes a las preguntas de investigación al demostrar que las mejoras estratégicas en el procesamiento de nubes de puntos y en el modelado inverso de sensores mejoran significativamente el rendimiento de los Mapas de Cuadrículas Transicionales (TGMs). El estudio identifica el equilibrio óptimo entre rendimiento y carga computacional con parámetros como una resolución de cuadrícula de 0.5m y una frecuencia de ejecución de 8 Hz, como cruciales para una navegación efectiva en tiempo real en entornos urbanos. Además, se demostró que la integración de datos avanzados de nubes de puntos 3D con una línea de preprocesamiento refinada ofrece el mejor equilibrio entre precisión y eficiencia computacional, confirmando la robustez y adaptabilidad de los modelos propuestos en entornos dinámicos. Estos hallazgos no solo validan la efectividad de las metodologías propuestas, sino que también sientan las bases para futuras investigaciones dirigidas a escalar estos modelos a entornos más complejos, contribuyendo en última instancia al despliegue más seguro de tecnologías de conducción autónoma.

[EN] This thesis explores the development and application of an inverse sensor model tailored to enhance LiDAR data processing within Transitional Grid Maps (TGMs), which represent an innovative approach that distinctly categorises dynamic and static objects, crucial for accurate real-time navigation. The inverse sensor model is an important part of occupancy grid mapping since it estimates the probability of a cell being occupied given the current sensor measurement and pose of the vehicle.

Initially, the thesis elaborates on the theoretical and technical challenges posed by traditional sensor models in dynamic settings. To address these challenges, after a comprehensive evaluation of different alternatives, we propose a refined system that optimises LiDAR data preprocessing, including noise filtering, ground removal, and data downsampling. These enhancements facilitate the effective use of inverse sensor models to construct more reliable occupancy grid maps.

Empirical validation is carried out through two case studies: a controlled static environment and an urban dynamic environment, where the model's performance is evaluated. The findings demonstrate significant improvements in the accuracy of grid mapping, showcasing the model's robustness and adaptability to different operational contexts as well as the correct performance of TGMs in a real environment.

As a conclusion, this research provides compelling answers to the research questions by demonstrating that strategic enhancements in point cloud processing and inverse sensor modelling significantly improve the performance of Transitional Grid Maps (TGMs). The study identifies the optimal balance between performance and computational load with parameters, such as a grid resolution of 0.5m and an execution frequency of 8 Hz, as crucial for effective real-time navigation in urban environments. Furthermore, the integration of advanced 3D point cloud data with a refined preprocessing pipeline was shown to offer the best balance between accuracy and computational efficiency, confirming the robustness and adaptability of the proposed models in dynamic settings. These findings not only validate the effectiveness of the proposed methodologies but also set the foundation for future research aimed at scaling these models to more complex environments, ultimately contributing to the safer deployment of autonomous driving technologies.