Métodos de representación 2D a partir de puntos LiDAR para estimación de odometría basada en Deep Learning para vehículos autónomos

En las últimas décadas, la automatización de múltiples procesos y aplicaciones se ha visto impulsada por el avance tecnológico en relación a, por ejemplo, la capacidad computacional de los equipos o el desarrollo de sensores y actuadores más precisos. Así, el transporte autónomo ha progresado enormemente, incorporando a los vehículos cada vez más funcionalidades que permitan ser operados sin necesidad de un conductor. Sin embargo, dada la extrema complejidad que supone el control de un vehículo autónomo, así como la variedad de entornos y situaciones a las que este se puede enfrentar, existen aún ciertos retos que resolver. Uno de ellos es estimar la posición en el entorno, la cual puede ser determinada mediante sistemas clásicos respaldados por satélites (GNSS). No obstante, no se debe ni puede confiar en estos procedimientos de manera general debido a que hay situaciones en las que su funcionamiento no está garantizado, como túneles o zonas con una señal débil. La implementación de algoritmos de localización y mapeo simultáneos (SLAM) permiten estimar la posición de un vehículo de manera absoluta al mismo tiempo que se realiza una reconstrucción del entorno alrededor del mismo. Su funcionamiento radica en la asociación de características físicas del ambiente y su análisis para determinar su movimiento relativo. Estos procedimientos consiguen una consistencia global decente, pero no suelen exhibir gran solidez local. Así, el proyecto LONGER-Navigation, dentro del cual se inscribe este trabajo, investiga y desarrolla una herramienta de posicionamiento y estimación de la odometría que sirva de apoyo a un algoritmo de SLAM mediante el uso de datos procedentes de un sensor LiDAR. Incorporando, de este modo, un cálculo previo de la trayectoria del vehículo se mejora la consistencia local del proceso. El uso de sensores LiDAR permite el funcionamiento del sistema incluso en situaciones en las que el posicionamiento a través de procedimientos convencionales se ve comprometido. Así, el algoritmo se construye a través de redes neuronales convolucionales, las cuales tienen la capacidad de admitir como entrada imágenes, de las cuales extraen características que le permitan generar conocimiento. Así mismo, el uso de técnicas de Deep Learning en la conducción autónoma se ha demostrado útil en casos de mala calidad o escasa información como, por ejemplo, debido a oclusiones o ruido, convirtiéndose así en una opción muy robusta. En consecuencia, este trabajo propone el desarrollo y análisis de distintos métodos de representación en formato de imagen de datos procedentes de nubes de puntos generadas mediante un sensor LiDAR. Para ello, se implementarán diversas soluciones y se evaluará el desempeño del modelo entrenado con cada una de ellas. Se hará uso, entre otros marcadores, de la comparación de las trayectorias estimadas con respecto a la referencia y de métricas como el Absolute Pose Error (APE) o Relative PoseError (RPE). De igual manera, se analizará la influencia del tipo de entorno en el comportamiento de la red neuronal. El objetivo es buscar la configuración de datos que muestre una mejor afinidad para el problema que se aborda