Consistent Outdoor Environment Mapping with a 3D Laser Scanner

Simultaneous Localization and Mapping(SLAM) is an essential prerequisite for various automated systems, such as self-driving cars, and planetary rovers. These autonomous machines acquire the knowledge of the environment through building a map while exploring an unknown area. Without this knowledge, they are not able to make right decisions. We used a 3D laser scanner with 16 channels, and encoders to collect the internal and external information. Then we estimate the trajectory that the robot has been to and build a consistent map upon sensor data. In this project, we studied and proposed several ways to improve the existing registration and optimization methods. By adding odometry information to predict the initial estimation as the input for Normal Distribution Transform(NDT), the performance is proved to be boosted. And the result witnessed a satisfying change after we distribute the error before inputing the registration result into g2o optimization framework. Besides, we proposed a method to increase the weight of certain voxels to improve the performance of NDT. We also experimented with different configurations of NDT and g2o to see how they impact the results. We conducted and analyzed the experiment on two datasets, urban dataset and forest dataset. The mapping is considered successful in the urban dataset.Simultaneous localization and mapping (SLAM) är en väsentlig förutsättning för olika automatiserade system såsom självkörande bilar och strövare. Dessa autonoma maskiner förvärvar kunskapen om miljön genom att bygga upp en karta medan de utforskar ett okänt område. Utan denna kunskap kan de inte fatta rätt beslut. Vi använde en 3D-laserskanner med 16 kanaler och omkodare för att samla in intern och extern information. Sedan uppskattar vi vägen som roboten har varit i och bygger upp en överensstämmande karta baserat på sensordata. I detta projekt studerade och föreslog vi flera sätt att förbättra de befintliga registreringsoch optimeringsmetoderna. Genom att lägga till odometriinformation för att förutsäga den ursprungliga uppskattningen som ingången för Normal Distribution Transform (NDT), visas att prestandan ökar. Och resultatet var en tillfredsställande förändring efter att vi fördelat felet innan vi matar in registreringsresultatet i g2o-optimeringsramen. Dessutom föreslog vi en metod för att öka vikten hos vissa voxlar för att förbättra prestanda hos NDT. Vi experimenterade också med olika konfigurationer av NDT och g2o för att se hur de påverkar resultaten. Vi genomförde och analyserade experimentet på två dataset, ett stadsmiljö-dataset och ett skogsdataset. Vi anser att kartläggningen är framgångsrik med stadsmiljö-datasetet