Precise and robust automotive localization is a must for autonomous vehicles. Radar is a cheap and robust sensor, and this project aimed to find a method to use automotive radar to localize globally. By using radar data to build occupancy grids based on other state-of-the-art radar localization methods, and applying image correlation techniques, a localization precision of below 20 cm could be achieved, delivering poses at frequency higher than 0.5 Hz along with a characterization of the uncertainty. By using an improved sensor model for the occupancy grid mapping, filtering the radar data, and using image correlation in the Fourier domain. The presented results are better than the state-of-the-art radar localization methods, both in terms of precision and frequency, however not in terms of heading estimation. The work provides a foundation for future investigations and improvements of radar as a sensor for localization. / Exakt och robust fordonslokalisering är ett måste för framtidens autonoma fordon. Radar är billig och robust sensor, och detta projekt utfördes i syfte att hitta en metod för att använda bilradar för att lokalisera globalt. Genom att använda radardata för att bygga occupancyg grids baserade på de senaste bästa radarlokaliseringsmetoder och tillämpa bildkorrelationstekniker, kunde en lokaliseringsprecision bättre än 20 cm uppnås, vilket ger positioner vid frekvens högre än 0,5 Hz tillsammans osäkerhetens karaktärisering. Genom att använda en förbättrad sensormodell för kartläggning av occupancy grids, filtrera radardata och använda bildkorrelation i Fourier- domänen. De presenterade resultaten är bättre än de senaste metoderna för radarlokalisering, både när det gäller precision och frekvens, men inte när det gäller riktning. Arbetet utgör en grund för framtida undersökningar av radar som en sensor för lokalisering.

A vehicles ability to detect and estimate its surroundings is important for ensuring the safety of the vehicle and passengers regardless of the level of vehicle autonomy. With an improved road and lane estimation, advanced driver-assistance systems will be able to provide earlier and more accurate warnings and actions to prevent a possible accident. Current lane boundary estimations rely on camera and inertial sensor data to detect and estimate relevant lane boundaries in the vehicles surroundings. The current lane boundary estimation system struggles to provide correct estimations at distances exceeding 75 meters and has a performance which is affected by environmental effects. The methods in this thesis show how map data, together with sensor fusion with radar, camera, inertial measurement unit and global navigation satellite system data is able to provide an improvement to the lane boundary estimations. The map based estimation system is implemented and evaluated for high speed roads (highways and country roads) where lane boundary estimations for distances above 75 meters are needed. The results are conducted in a simulate environment and show how the map based system is able to correct unreliable sensor input to provide more precise boundary estimations. The map based system is also able to provide an up to 36% relative increase in correctly identified objects within ego vehicles lane between 12.5-150 meters in front of ego vehicle. The results indicate the ability to extend the horizon in which driver-assistance functions are able to operate, thus increasing the safety of future autonomous or semi-autonomous vehicles. Future work within the subject is needed to apply map based estimations on urban areas. The precision of such an system also relies on precise positional data. Incorporation of more precise global navigation data would be able to show an increased performance. / Ett fordons förmåga att upptäcka och uppskatta sin omgivning är viktig för att säkerställa fordonets och passagerarnas säkerhet oavsett fordonets autonominivå. Med en förbättrad väg- och körfältsuppskattning kommer avancerade förarassistanssystem att kunna ge tidigare och mer exakta varningar och åtgärder för att förhindra en eventuell olycka. Aktuella estimeringar av körfältsgränser är beroende av kamera och tröghetssensordata för att upptäcka och uppskatta relevanta körfältsgränser i fordonets omgivning. Det nuvarande estimerings-systemet upvisar inkorrekta uppskattningar på avstånd över 75 meter och har en prestanda som påverkas av den omgivande miljön. Metoderna i detta examensarbete visar hur kartdata, tillsammans med sensorfusion av radar, kamera, tröghetsmätenhet och globala satellitnavigeringsdata, kan ge en förbättrad estimering av körfältsgränser. Det kartbaserade systemet är implementerat och utvärderat för höghastighetsvägar (motorvägar och landsvägar) där estimeringar av körfältsgränser för avstånd över 75 meter behövs. Resultaten utförs i en simulerad miljö och visar hur det kartbaserade systemet kan korrigera opålitlig sensorinmatning för att ge mer exakta gränsuppskattningar. Systemet kan också ge en upp till 36% relativ ökning av korrekt identifierade objekt inom ego-fordonets körfält mellan 12.5-150 meter framför ego-fordonet. Resultaten indikerar förmågan att förlänga horisonten som förarassistansfunktioner kan fungera i, vilket ökar säkerheten för framtida autonoma eller halvautonoma fordon. Framtida arbeten inom ämnet behövs för att tillämpa kartbaserade uppskattningar på tätorter. Precisionen hos ett sådant system är också beroende av mer exakt positionsdata. Inkorporering av mer exakt global navigationsdata skulle i detta fall kunna visa en ökad sytemprestanda.