Autonomous driving in public roads requires precise localization within the range of few centimeters. Even the best current precise localization system based on the Global Navigation Satellite System (GNSS) can not always reach this level of precision, especially in an urban environment, where the signal is disturbed by surrounding buildings and artifacts. Laser range finder and stereo vision have been successfully used for obstacle detection, mapping and localization to solve the autonomous driving problem. Unfortunately, Light Detection and Ranging (LIDARs) are very expensive sensors and stereo vision requires powerful dedicated hardware to process the cameras information. In this context, this article presents a low-cost architecture of sensors and data fusion algorithm capable of autonomous driving in narrow two-way roads. Our approach exploits a combination of a short-range visual lane marking detector and a dead reckoning system to build a long and precise perception of the lane markings in the vehicle’s backwards. This information is used to localize the vehicle in a map, that also contains the reference trajectory for autonomous driving. Experimental results show the successful application of the proposed system on a real autonomous driving situation.
Autonomous Guided Vehicles (AGV) worden hedendaags breed toegepast in verschillende sectoren als agri, logistiek en zorg. De taken die AGV’s verrichten zijn veelal gericht op het indoor transporteren van goederen en vereisen daarom een precieze en robuuste locatiebepaling. Indoor lokalisatie is een ‘key-technology’ daar het in allerlei toepassingsgebieden een fundamentele rol speelt. Tot op heden is er geen algemeen toepasbare techniek voorhanden en is het noodzakelijk om de omgeving uit te rusten met een op maat gemaakt lokalisatiesysteem wat duur, tijdrovend en inflexibel is. Een veelbelovende techniek is Magnetic-Simulataneous-Localisation-And-Mapping (MagSLAM). Deze techniek is berust op een verstoord aardmagnetisch veld door de aanwezigheid van vele ‘indoor’ ferromagnetische structuren. Deze verstoringen zijn specifiek voor de plek binnen het gebouw en zodoende als informatiebron gezien kunnen worden. Deze wijze biedt een aantal fundamentele voordelen ten opzichte van camera, radio of tag gebaseerde lokalisatiesystemen. Het doel van dit KIEM-project is een onderzoek naar de vraag in hoeverre we het magnetisch veld als informatieprovider kunnen gebruiken om het lokalisatievraagstuk voor AGV’s te kunnen helpen. De belangrijkste onderzoekvraag daarbij is “Hoe kunnen we de MagSLAM-technologie opwerken en inpassen in een AGV-systeem?” Daarbij rekening houdend met uitdagingen als kalibratie, fusie van sensordata (bijvoorbeeld odometrie) en het robuust zijn voor grote inductiestromen (bijvoorbeeld motoren en laadcircuits). Saxion en haar partners zetten zich de komende jaren in op de sleuteltechnologieën voor robotica als perception, navigation, cognition en artificial-intelligence welke allen integraal onderdeel vormen in dit KIEM project. Het project zal uit 4 fases bestaan: allereerst een inventarisatie van huidige MagSLAM-algoritmiek en AGVpositioneringssystemen (IST), een systeem- en gebruikerseisen onderzoek (SOLL) en tenslotte een analyse om de technologie op te werken en te passen (GAP).
