Reference vehicle state estimation for real-time outdoor and indoor navigation of autonomous vehicles

Abstract

Una tendencia actual en la investigación automotriz es la conducción autónoma. Para probar y validar adecuadamente las funciones de la conducción au- tomatizada se necesita un estado del vehículo que sirva como referencia. Los Sistemas Globales de Navegación por Satélite (ingl. Global Navigation Satellite System - GNSS) son útiles en la automatización de los vehículos por su practicidad y precisión. Sin embargo, hay situaciones en las que la señal del satélite está ausente o es inutilizable. Este trabajo de investi- gación presenta una metodología que aborda esas situaciones, reduciendo así en gran medida la dependencia de los Sistemas de Navegación Inercial (ingl. Inertial Navigation System - INS) de la Navegación Satelital (ingl. Satellite Navigation - SatNav). La metodología propuesta incluye 1) un re- conocimiento de vehículo en reposo basado en el aprendizaje de máquina, 2) una descripción matemática detallada para la horizontalización de las medidas inerciales, 3) la fusión de sensores mediante filtros estadísticos, 4) una detección de valores atípicos para los datos de corrección, 5) un de- tector de derrape, y 6) un novedoso método de posicionamiento basado en LiDAR (ingl. LiDAR-based Positioning Method - LbPM) para la nave- gación vehicular en interiores. La robustez y precisión de la metodología se valida con un INS de última generación con datos de corrección cinemática en tiempo real (ingl. Real-Time Kinematic - RTK). Los resultados obtenidos muestran una gran mejora en la precisión de la estimación del estado del vehículo en condiciones de conducción adversas, como cuando los datos de corrección están corruptos, cuando hay periodos prolongados sin datos de corrección y en caso de derrape. El método LbPM propuesto alcanza una precisión muy parecida a la de un sistema con RTK.