SLAM. Navigationskonzepte für autonome Fahrzeuge

Inhaltsverzeichnis

1 Einleitung

1.1 Problemstellung

2 Überblick über SLAM

2.1 Gemeinsame Begriffe

2.1.1 Inertialnavigation (Dead Reckoning)

2.1.2 Landmarken

2.1.3 Kalman Filter

2.2 Landmarkenfindung

2.2.1 Pattern Matching

2.2.2 SPIKES

2.2.3 RANSAC - Random Sample Consensus

2.3 EKF - SLAM

2.4 FAST SLAM

2.5 Weitere Entwicklungen

3 EKF - SLAM auf AICC

3.1 Landmarkenfindung

3.1.1 RANSAC zur Wanderkennung

3.1.2 Ermittlung der Eckpunkte

3.2 Extended Kalman Filter

3.2.1 Aufbau und Inhalt der Filtermatrizen

3.2.2 Vorhersage (state prediction)

3.2.3 Datenassoziation

3.2.4 Korrektur (state correction)

3.2.5 Hinzufügen neuer Landmarken

4 Erkenntnisse aus der Implementierung

Zielsetzung & Themen

Die Arbeit untersucht die Herausforderungen der autonomen Navigation in Gebäuden unter Verwendung des SLAM-Verfahrens (Simultaneous Localization and Mapping). Ziel ist die Implementierung eines Navigationskonzepts für das "Artificial Intelligence Concept Car" (AICC), um das Fahrzeug in die Lage zu versetzen, sich autonom in einer Umgebung zurechtzufinden, ohne dabei auf ein GPS-Signal angewiesen zu sein.

• Grundlagen der Roboternavigation und Inertialnavigation
• Analyse und Vergleich verschiedener SLAM-Algorithmen
• Implementierung des EKF-SLAM (Extended Kalman Filter)
• Verwendung von RANSAC zur Landmarkenfindung
• Datenassoziation und Fehlerkorrektur bei der Umgebungsabbildung

Auszug aus dem Buch

Zusammenfassung der Kapitel

1 Einleitung: Diese Einleitung beschreibt die Problematik der autonomen Roboternavigation und führt in die SLAM-Methodik als Lösung für Umgebungen ohne GPS ein.

2 Überblick über SLAM: Dieses Kapitel erläutert grundlegende Begriffe der Roboternavigation, wie Inertialnavigation und Kalman-Filter, sowie verschiedene Ansätze zur Landmarkenfindung und SLAM-Implementierungen.

3 EKF - SLAM auf AICC: Hier wird die praktische Anwendung des EKF-SLAM auf dem Projektfahrzeug AICC detailliert beschrieben, inklusive der Landmarkenfindung mittels RANSAC und der Filterlogik.

4 Erkenntnisse aus der Implementierung: Der Autor zieht ein Resümee über die Ergebnisse, analysiert die aufgetretenen Schwierigkeiten bei der Umsetzung des SLAM-Verfahrens und gibt Empfehlungen für zukünftige Arbeiten.

Schlüsselwörter

Robotik, Navigation, SLAM, Kalman Filter, Extended Kalman Filter, RANSAC, AICC, LIDAR, Inertialnavigation, Dead Reckoning, Datenassoziation, Landmarken, Autonome Fahrzeuge, Pfadplanung

Häufig gestellte Fragen

Worum geht es in dieser Arbeit grundsätzlich?

Die Arbeit beschäftigt sich mit dem sogenannten SLAM-Problem (Simultaneous Localization and Mapping) für autonome Roboter, um eine Navigation ohne GPS in Innenräumen zu ermöglichen.

Was sind die zentralen Themenfelder der Arbeit?

Im Fokus stehen die algorithmische Lösung des SLAM-Problems, die Umfelderkennung mittels LIDAR-Sensoren sowie die mathematische Modellierung mittels Kalman-Filtern.

Was ist das primäre Ziel der Bachelorarbeit?

Das Ziel ist die Implementierung eines Navigationskonzepts für das "Artificial Intelligence Concept Car" (AICC), um dessen Autonomie bei der Wegfindung und Umgebungserfassung in Gebäuden zu erhöhen.

Welche wissenschaftliche Methode wird primär verwendet?

Die Arbeit basiert primär auf dem "Extended Kalman Filter" (EKF) in Kombination mit dem RANSAC-Algorithmus zur Landmarkenextraktion aus LIDAR-Daten.

Was wird im Hauptteil der Arbeit behandelt?

Der Hauptteil befasst sich detailliert mit der mathematischen Herleitung des EKF-SLAM, der Struktur der Filtermatrizen und der konkreten algorithmischen Umsetzung der Datenassoziation.

Welche Schlüsselwörter charakterisieren die Arbeit?

Die Arbeit wird maßgeblich durch die Begriffe SLAM, Kalman Filter, AICC, Robotik, RANSAC und Landmarken bestimmt.

Warum wird RANSAC zur Wanderkennung eingesetzt?

Der RANSAC-Algorithmus wird gewählt, weil er eine hohe Robustheit gegenüber Ausreißern in den LIDAR-Messdaten bietet und sich gut eignet, um aus verrauschten Scandaten geometrische Strukturen wie Wände zu extrahieren.

Welche Rolle spielt die Datenassoziation bei der SLAM-Implementierung?

Die Datenassoziation ist entscheidend, um neu gesichtete Landmarken mit bereits in der Karte registrierten Landmarken abzugleichen, was für die Korrektur der Roboterposition und die Aktualisierung der Karte zwingend erforderlich ist.