uu.seUppsala University Publications
Change search
CiteExportLink to record
Permanent link

Direct link
Cite
Citation style
  • apa
  • ieee
  • modern-language-association
  • vancouver
  • Other style
More styles
Language
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Other locale
More languages
Output format
  • html
  • text
  • asciidoc
  • rtf
Road Shape Estimation based on On-board Sensors and Map Data
Uppsala University, Disciplinary Domain of Science and Technology, Technology, Department of Engineering Sciences.
2014 (English)Independent thesis Advanced level (professional degree), 20 credits / 30 HE creditsStudent thesis
Abstract [en]

The ability to acquire accurate information of the surrounding road environment is crucial for autonomous driving and advanced driver assistance systems. A method to estimate the shape of the road has been developed and evaluated. The estimate is based on fusion of data from a road marking detector, a radar tracker, map data, GPS, and inertial sensors. The method is intended for highway use and focus has been on increasing the availability of a sufficiently accurate road shape estimate in the event of sensor failures. To make use of past sensor measurements, an extended Kalman filter has been used together with dynamical models for the road and the ego vehicle. Results from a performance evaluation show that the road shape estimate clearly benefits from being based on a fusion of sensor data. The different sensors have also proven to be of various importance to the different parameters that describe the road shape.

Abstract [sv]

Fordon som kan köra autonomt, det vill säga utan förare, är ett mål för fordonsindustrin och en dröm för många bilägare. Det skulle möjliggöra för förare att använda tiden till annat och minska personalkostnader för transportbolag. Säkerheten på våra vägar skulle även kunna förbättras eftersom att ett sådant system har möjlighet att reagera snabbare än någon människa och drabbas inte av trötthet eller störs av andra passagerare. Förmåga att kunna inhämta och tolka information om den omkringliggande trafiksituationen är ytterst nödvändigt för att kunna utveckla autonoma fordon och behövs även för mer avancerade moderna säkerhetssytem, som till exempel kollissionsvarningssystem. En viktig del i detta är att kunna uppfatta hur formen på vägen ser ut.

Målet med detta examensarbete är att utveckla en algoritm som estimerar vägens form baserat på ett antal sensorer monterade på ett fordon och information från en kartdatabas. Den största vikten har legat på att algoritmen alltid ska kunna leverera en tillräckligt bra skattning, även i perioder när sensormätningar inte finns tillgängliga på grund av att sensorer fallerar. Den tänkta miljön är motorvägskörning, främst därför att det innebär en hel del förenklingar i jämförelse med andra typer av vägar.

Det stora problemet för sådana algoritmer ligger ofta i att sensorer lider av olika typer av nackdelar. De mäter bara en viss specifik sak, kan ha stora mätfel, är känsliga för olika förhållanden och har begränsingar i räckvidd. För att uttnyttja sensorernas olika styrkor och mildra effekten av deras brister har ett flertal sensorer använts tillsammans. Examensarbetet har utförts på Scania och testats på deras lastbilar. De typer av sensorer som har använts är redan, eller är på god väg att bli, standardutrustning i deras lastbilar och i många andra moderna fordon. Algoritmen använder sig av mätningar från en vägmarkeringsdetektor, som tillhandahåller formen på de två närmaste väglinjerna, en radar, som ger position och rörelse hos framförvarande bilar, en kartdatabas, som tillsammans med en GPS ger tidigare uppmätt kurvatur vid fordonets position, och interna sensorer som mäter det egna fordonets rörelser.

För att kunna fortsätta ge en skattning när mätningar inte finns tillgängliga och för att göra algoritmen robustare mot dålig data, har en metod använts som uttnyttjar informationen i tidigare mätvärden, ett så kallat Extended Kalman filter. Denna metod kräver en matematisk beskrivning av hur formen på vägen framför fordonet förväntas förändras över tid, baserat på hur fordonet rör sig. De olika typerna av mätvärden från sensorerna kombineras i metoden och viktas olika beroende på hur tillförlitliga man anser att sensorerna är.

Algoritmen har utvärderats på mätningar från allmänna motorvägar utanför Södertälje. Resultatet från denna utvärdering visar att det är väldigt fördelaktigt att kombinera flera olika typer av sensorer för att kunna leverera en bra skattning så ofta som möjligt. Det visar sig även att de olika typerna av sensorer är av olika stor betydelse för olika vägformsparametrar.

Place, publisher, year, edition, pages
2014. , 44 p.
Series
UPTEC F, ISSN 1401-5757 ; 14038
Keyword [en]
Road shape estimation, sensor fusion, extended Kalman filter
National Category
Signal Processing Robotics
Identifiers
URN: urn:nbn:se:uu:diva-231906OAI: oai:DiVA.org:uu-231906DiVA: diva2:745652
External cooperation
Scania
Educational program
Master Programme in Engineering Physics
Supervisors
Examiners
Available from: 2014-09-24 Created: 2014-09-10 Last updated: 2014-09-24Bibliographically approved

Open Access in DiVA

fulltext(1304 kB)18244 downloads
File information
File name FULLTEXT01.pdfFile size 1304 kBChecksum SHA-512
2651608a03fcb81de5a90a8e1bd99e41ab1a51eb4b70be45ca69760b1ed66e740b1c6e97cfb7a5ed648da1639733631a779577cff0afd3f3636b6c1ccc0cfc5c
Type fulltextMimetype application/pdf

By organisation
Department of Engineering Sciences
Signal ProcessingRobotics

Search outside of DiVA

GoogleGoogle Scholar
Total: 18244 downloads
The number of downloads is the sum of all downloads of full texts. It may include eg previous versions that are now no longer available

urn-nbn

Altmetric score

urn-nbn
Total: 2755 hits
CiteExportLink to record
Permanent link

Direct link
Cite
Citation style
  • apa
  • ieee
  • modern-language-association
  • vancouver
  • Other style
More styles
Language
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Other locale
More languages
Output format
  • html
  • text
  • asciidoc
  • rtf