Robust Lidar-Inertial SLAM for limited-resource system

Les véhicules autonomes sont capables de percevoir leur environnement et d'agir en conséquence. Un aspect des systèmes d'autonomie est la cartographie de l'environnement et la localisation du véhicule dans cet environnement. En partenariat avec Rheinmetall Canada, un fournisseur de premier plan de technologies de défense et de sécurité, nous avons étudié de tels systèmes de localisation et de cartographie, communément appelés localisation et cartographie simultanées (SLAM), pour leur produit Mission Master, un véhicule militaire autonome à 8 roues. Ce véhicule est équipé d'un ensemble de capteurs comprenant un lidar, un récepteur GPS, une boussole et une unité de mesure inertielle (IMU). Au cours de la dernière décennie, une tendance à la robustification des systèmes SLAM a été observée dans la littérature scientifique. Alors que les systèmes SLAM ont été étudiés pour la première fois dans les années 80, ces systèmes fonctionnaient principalement dans des environnements simulés et leurs performances diminuaient considérablement lors des essais sur le terrain. Comment gérer et fusionner de manière optimale un grand nombre de données bruitées et peu fiables, tout en en tenant compte des contraintes environnementales 3D et des capacités de calcul en temps réel embarquées, reste une question ouverte. Dans ce projet, nous nous intéressons à deux aspects qui rendent un système SLAM robuste : la gestion des défaillances des capteurs et la flexibilité au regard des capacités de calcul disponibles. Comme la disponibilité des données GPS dépend de facteurs environnementaux et que le lidar ne peut pas estimer les déplacements dans un environnement sans caractéristiques distinctives, ces capteurs présentent un risque élevé de défaillance ou de panne. La fusion des mesures des capteurs inertiels à l'estimation à l'aide de l'optimiseur de graphe incrémental iSAM2 permet d'estimer la pose du véhicule même lorsque les autres capteurs ne sont pas disponibles. Les données de l'IMU contribuent également au processus de cartographie en offrant une solution initiale aux processus d'association de nuages de points et d'optimisation de graphe. Le Mission Master est en constante évolution, tout comme son ordinateur embarqué. Les algorithmes de planification de trajectoire et de vision, entre autres, sont également exécutés sur cet ordinateur. Le système de SLAM développé doit être flexible face à des capacités de calcul variables.

Abstract

Autonomous vehicles are able to perceive their environment and act accordingly. One aspect of autonomy systems is the mapping of the environment and the localization of the vehicle in this environment. In partnership with Rheinmetall Canada, a foremost supplier of defence and security technology, we are investigating such localization and mapping systems, commonly called Simultaneous Localization and Mapping (SLAM), for their Mission Master product, an 8-wheeled autonomous military vehicle. This vehicle is equipped with a set of sensors including a lidar, a GPS receiver, a compass and an inertial measurement unit (IMU). In the last decade, a trend towards robustification of SLAM systems can be observed in the scientific literature. While SLAM systems were first investigated in the 80s, such systems were mostly working in simulated environment and performances greatly decreased in fieldtesting. How to manage and fuse a large set of noisy and unreliable sensor data optimally, taking into consideration 3D real world environments and embedded real-time computing capacities, is still an open question. In this project, we are interested in two aspects that makes a SLAM system robust: management of sensors failures and flexibility to available computing capacities. Since GPS data availability is dependent on environmental factors and lidar cannot estimate displacement in a featureless environment, these sensors are at high risk of failure or outage. Tightly coupling inertial sensor measurements to the estimation using the incremental graph optimization framework iSAM2 allows vehicle state estimation even when other sensors are unavailable. IMU data also helps in the mapping process by offering an initial solution to the scan registration and graph optimization processes. The Mission Master is in constant evolution, such as its onboard embedded computer. Path planning and vision algorithms, among other things, are also running on this computer. The developed SLAM system must be flexible to variable computing capacities. To handle this uncertainty, we developed a multilayer architecture in C++ that handles localization and mapping in different threads. A Multiplicative Extended Kalman Filter (MEKF) runs in parallel and parameterizes its orientation estimation as a unit quaternion. While this decoupling allows the system to run in real-time, all layers update each other with their best estimates.