Reconstrucción del entorno del vehículo para guiado autónomo en escenarios complejos = Reconstruction of the vehicle environment for autonomous guidance incomplex scenarios

La tecnología LiDAR 3D cada vez está teniendo más repercusión en un campo emergente de aplicación, el vehículo autónomo. Fabricantes, desarrolladores e investigadores integran este tipo de sensores para aplicaciones de reconocimiento del entorno debido a las ventajas que aporta. Además, los sensores láser escáner han ganado especial protagonismo en la conducción autónoma a partir de la evolución de los láseres 2D a 3D, debido a que estos últimos suplen satisfactoriamente los problemas de observación parcial de los objetos que tenían los sensores 2D. La información espacial que proporcionan los LiDAR 3D es significativamente más completa, lo que otorga de versatilidad para ser utilizados para otros fines. Esta versatilidad se hace patente en la variedad de algoritmos basados en tecnología LiDAR que se encuentran en la literatura. Si bien, su aplicación principal es el reconocimiento de obstáculos, para garantizar una navegación autónoma terrestre segura, es necesario ampliar el campo de aplicación. En este sentido, esta Tesis Doctoral plantea el estudio de las capacidades de los sensores LiDAR y el desarrollo de algoritmos centrados en dos de las líneas principales de investigación del vehículo autónomo: la caracterización del entorno y el posicionamiento y mapeado. Ambas líneas constituyen las bases de la percepción del vehículo que, a su vez, es la encargada de generar un modelo del entendimiento del entorno. Este entendimiento extraído del entorno a partir de los sensores tiene especial relevancia en la seguridad durante la navegación cuando es utilizado en capas posteriores, como la Planificación de trayectorias o la Toma de decisiones, dentro de la estructura del vehículo autónomo. Por ello, la Tesis aborda por un lado la problemática de la caracterización del entorno, aportando soluciones respecto a la identificación de obstáculos, no solo centrándose en entornos urbanos, sino también en entornos off-road, donde la orografía es irregular y el entorno desestructurado. Asimismo, debido a la versatilidad de estos sensores, se consigue llevar a cabo desarrollos para la caracterización horizontal de la vía, estableciendo los límites de ésta (ya sean escenarios urbanos, interurbanos o con terreno no preparado) o extrayendo las líneas viales, obteniendo información relevante acerca del ancho de carril y el error lateral en él o el número total de carriles disponibles. Sobre la misma caracterización del entorno, se pueden establecer ciertos criterios que apoyen y mejoren el posicionamiento durante la navegación autónoma. De este modo, se han implementado métodos analíticos que, a través de las herramientas de caracterización desarrolladas, puedan apoyar una navegación autónoma o reconstruir el mapa por donde se circula. Uno de los aspectos más relevantes de esta Tesis es la aplicación de algoritmos de Machine Learning a problemas concretos de la conducción autónoma. A partir del desarrollo de estas técnicas, concretamente en el campo del Deep Learning, junto a la gran cantidad de información que proporcionan los sensores LiDAR 3D, es posible diseñar modelos con gran rendimiento y precisión. En este sentido, ya han demostrado su validez posicionándose en el estado del arte respecto a problemas de segmentación semántica, pero aún existe un gran desarrollo por delante ante problemas de regresión como en el caso de lograr un posicionamiento preciso. Por ello, se ha planteado y desarrollado algoritmos basados en redes de convolución que infieren la odometría del vehículo. A partir de estos modelos es posible obtener los valores de velocidad y variación del ángulo de guiñada entre dos observaciones consecutivas, lo que proporciona una consistencia local del posicionamiento. Además, esta estimación de la odometría puede servir para asistir a métodos convencionales cuando estos encuentran dificultades a la hora de converger a un resultado esperado. Teniendo en cuenta que el problema de posicionamiento global está condicionado analíticamente, las soluciones basadas en métodos geométricos pueden alcanzar resultados precisos. Sin embargo, en función de la información disponible del entorno, se puede originar un peor rendimiento o precisión. Los modelos basados en técnicas de Deep Learning, al abordar el problema del posicionamiento con otro enfoque, no son tan sensibles a variaciones en la información del entorno y, de esta manera, se pueden emplear como asistencia en métodos estrictamente geométricos y conseguir una consistencia global del posicionamiento. Los resultados obtenidos en cada desarrollo son contrastados y evaluados en diferentes situaciones reales a través de vehículos autónomos o instrumentados. Asimismo, la adquisición de datos y creación de datasets para la implementación de los algoritmos, se ha realizado utilizando diferentes sensores como el Velodyne VLP-16 y el Ouster OS-1 64, en ensayos en entornos controlados, urbanos o todoterreno. ----------ABSTRACT---------- LiDAR technology is increasingly having an impact in an emerging field of application: the autonomous vehicle. Manufacturers, developers and researchers integrate such sensors in applications used for recognition of the environment due to their numerous advantages. Furthermore, the laser scanner sensors have gained special prominence in autonomous driving due to the evolution of lasers from 2D to 3D, since the latter have fixed the problems of partial objects observation that 2D sensors had. In fact, the spatial information provided by LiDAR 3D is significantly more complete, which gives them a versatile nature and enables them to be used for other purposes. This versatility is evident from the variety of algorithms based on technology LiDAR that can be found in the literature. Although its main field of application is the obstacles detection, in order to guarantee safe autonomous ground navigation, it is of utmost importance to expand such field of application. In this regard, the present Doctoral Thesis focuses the study of the capabilities of LiDAR sensors and the development of algorithms focused on the two main areas of research of the autonomous vehicle: the characterization of the environment and positioning and mapping. Both areas constitute the basis of the perception of the vehicle which is also capable of generating a model for the understanding of the surrounding environment. Such understanding of the environment developed from the sensors has special relevance for a safe navigation when it is used in subsequent layers within the structure of the autonomous vehicle, such as ”Path planning” or ”Decision making”. On the one hand, this Thesis deals with the problem of the characterization of the environment in order to provide solutions for obstacles identification, focusing not only on urban environments but also on off-roads areas, where the ground is uneven and the environment unstructured. On the other hand, given the versatile of these sensors, the Thesis achieves developments for the horizontal characterization of the road, estimating its limits (either in urban scenarios, interurban or not-prepared ground) or extracting road lane lines, obtaining relevant information about the lane width and the lateral error in it or the total number of lanes available. Based on the same characterization of the environment, it is possible to establish certain criteria to support and enhance the positioning for an autonomous navigation. In this regard, analytical methods have been implemented based on the characterization tools already developed to support autonomous navigation or reconstruct the map where the vehicle drives. One of the most relevant aspects of this Thesis is the application of Machine Learning algorithms to specific problems of the autonomous driving. Due to the development of these techniques, specifically in the field of Deep Learning, together with the large amount of information provided by the 3D LiDAR sensors, it is possible to design models with great performance and precision. In this respect, they have already proven their performance by positioning themselves in the state of the art regarding semantic segmentation problems; however, there is still room for improvement in terms of regression problems, such as the case of achieving a precise positioning. For such purpose, it is proposed and developed algorithms based on convolutional neural networks that infer the odometry of the vehicle. Based on these models, it is possible to obtain the speed value and yaw angle rate between two consecutive observations, providing a local consistency positioning. Furthermore, this odometry estimation can be used to assist traditional methods when they encounter difficulties in converging to an expected result. Considering that the global positioning problem is analytically conditioned, the solutions based on geometric methods can achieve precise results. Nevertheless, depending on the information available from the environment, a worse performance or precision may originate. Given the fact that models based on techniques Deep Learning address the problem of positioning with another approach, they are not excessively sensitive to variations of the environment information and, therefore, can be used as assistance in methods strictly geometric, in order to achieve a global consistency positioning. The results derived from each development are contrasted and evaluated in different real situations through autonomous or instrumented vehicles. Likewise, the data acquisition and creation of datasets for the implementation of the algorithms, have been carried out using different sensors, such as the Velodyne VLP-16 and the Ouster OS-1 64 in controlled urban or off-road environments