Monte Carlo localization in dynamic environments based on an automotive Lidar sensor cocoon

Abstract

Autonomous driving and driver assistance systems require accurate information about the vehicle and its surroundings to perform tasks such as robust path planning. An occupancy grid map can provide such information, but it too requires precise information about the vehicle’s location. We present an approach to Monte Carlo Localization on an occupancy grid map based on an automotive lidar sensor cocoon providing 360° measurements around the vehicle using five Valeo SCALA sensors. Standard MCL is enhanced through an alternative particle weighting function and separate alpha filters are used to incorporate odometry measurements. Additionally, scan point sampling is introduced into the particle weighting function to select scan points most representative of pose estimation quality. Compared to paths reconstructed from only the vehicle’s odometry signals, the mean squared error in heading angle and position is reduced by 93-97% and 86-96%, respectively. Investigated scenarios include urban roads, factory roads, elevated country roads and highways.

Autonomes Fahren und Fahrassistenzsysteme benötigen akkurate Informationen über das Fahrzeug und seine Umgebung um Aufgaben wie zum Beispiel robuste Bahnplanung durchzuführen. Occupancy Grid Maps können solche Informationen liefern, aber auch sie benötigen präzise Informationen über den Standort des Fahrzeugs. Wir präsentieren auf Basis einer Occupancy Grid Map einen Ansatz für Monte Carlo Localization. 360° Messungen der Umgebung werden von einem Automobil-Lidar-Sensor-Cocoon geliefert, der aus fünf Valeo SCALA-Sensoren besteht. Standard-MCL wird durch eine alternative Gewichtungsfunktion für Partikel verbessert und separate Alpha-Filter werden verwendet, um Odometriemesswerte zu integrieren. Zusätzlich wird Scanpunkt-Sampling in der Gewichtungsfunktion für Partikel eingeführt um Scanpunkte auszuwählen, die am repräsentativsten für die Schätzungsqualität einer Pose sind. Die mittlere quadratische Abweichung in Richtungswinkel und Position wird 93-97% und 86-96% verbessert gegenüber Bahnen, die nur aus den Odometrie-Signalen des Fahrzeugs berechnet wurden. Untersuchte Szenarien beinhalten Innerortsstraßen, Fabrikgelände, erhöhte Landstraßen und Autobahnen.