No description available.

Localization is a fundamental part of achieving fully autonomous vehicles. A localization system needs to constantly provide accurate information about the position of the vehicle and failure could lead to catastrophic consequences. Global Navigation Satellite Systems (GNSS) can supply accurate positional measurements but are susceptible to disturbances and outages in environments such as indoors, in tunnels, or nearby tall buildings. A common method called simultaneous localization and mapping (SLAM) creates a spatial map and simultaneously determines the position of a robot or vehicle. Utilizing different sensors for localization can increase the accuracy and robustness of such a system if used correctly. This thesis uses a graph-based version of SLAM called graph SLAM which stores previous measurements in a factor graph, making it possible to adjust the trajectory and map as new information is gained. The best position state estimation is gained by optimizing the graph representing the log-likelihood of the data. To treat GNSS outliers in a graph SLAM system, robust optimization techniques can be used, and this thesis investigates two techniques called realizing, reversing, recovering (RRR), and dynamic covariance scaling (DCS). High-end GNSS and Lidar sensors are used to gather a data set on a suburban public road. Information about the position and orientation of the vehicle are inferred from the data set using graph SLAM together with robust techniques in three different scenarios. The scenarios contain disturbances called multipathing, Gaussian disturbances, and outages. A parameter study examines the free parameters Φ in DCS and the p-value in the RRR method. The localization performance varies less when changing the free parameter in RRR than in DCS. The localization performance from RRR is consistent for most values of p. DCS shows greater variation in the localization performance for different values of Φ. In the tested cases, results conclude that Φ should be set to 2.5 for the most consistent localization across all states. RRR performed best with a p-value set to 0.85. A lower value led to too many discarded measurements which decreased performance. DCS outperforms RRR across the tested scenarios but further testing is needed to determine whether RRR is better suited for handling larger errors. / Lokalisering är en fundamental del i att uppnå självkörande fordon. Lokaliseringssytemets uppgift är att kontinuerligt förse exakt information om fordonets position, och vid fel kan detta leda till katastrofala följder. Global Navigation Satellite Systems (GNSS) används ofta i ett lokaliseringssystem för att uppnå exakta positionsmätningar, men i vissa miljöer så som parkeringshus, tunnlar eller storstäder kan störningar uppstå. Genom att förlita sig på fler typer av sensorer kan lokaliseringen bli mer noggrann och robust mot störningar. En vanlig metod som kan skatta ett fordons position och samtidigt skapa en karta över omgivningen är simultaneous localization and mapping SLAM. I detta examensarbete används graph SLAM, en version av SLAM som utnyttjar en faktorgraf för att representera mätvärden och sedan estimera position av fordonet. Robusta metoder kan användas inom SLAM för hantering av felaktiga mätningar i ett grafbaserat SLAM-nätverk, och här undersöks två metoder, realizing, reversing, recovering (RRR) och dynamic covariance scaling DCS. Data från GNSS och Lidarsensorer av hög kvalitet samlades in på en offentlig väg i stadsmiljö. I tre olika scenarion beräknas testfordonets position och orientering med graph SLAM tillsammans med de två robusta metoderna som undersöks. Scenarion utgör fall med olika typer av störningar som agerar på gnss-mätningarna. Störningarna är av typerna multipath, Gaussiskt brus, samt avbrott. DCS presterar bättre jämfört med RRR under de tester som utförts. En parameterstudie har utförts som undersöker parametern Φ i DCS och p i RRR. När Φ varieras i DCS ger det en större skillnad på resultatet än när p varieras i RRR. Detta indikerar att det är lättare att hantera och använda RRR optimalt. Trots att DCS presterar bättre än RRR i de testade fallen, krävs vidare undersökning för att besluta om RRR hanterar stora fel bättre än DCS. De bästa inställningarna visades vara 2,5 för Φ i DCS och större än 0,85 för p i RRR.

Combining inertial measurements with LiDAR measurements for odometry and mapping is ubiquitous, but low-cost inertial measurement units are often noisy sensors, and it is suspected that naive integration of the measurements will result in deteriorated performance. The project explores under which circumstances integration of inertial measurements is beneficial for the robustness and accuracy of LiDAR odometry and mapping. It is already known that inertial measurements have the potential to improve performance, but when and how are rarely the main topics of study in existing literature. This project analyzes one way inertial measurements are used to compensate for motion while registering points from a spinning LiDAR, and compares this to a similar method that does not use inertial measurements. It is found that integration of inertial measurements is beneficial in cases of fast rotations of the sensor and that in other cases, it does not make a significant difference. The results can be explained with existing theory, and hence provide confidence in the theory for predicting behavior in similar systems. / Att kombinera tröghetsmätningar med LiDAR-mätningar för odometri och kartläggning är vanligt förekommande, men lågkostnadströghetsmätare är ofta brusiga sensorer och därmed misstänks att en naiv integrering av mätningarna skulle resultera i försämrad prestanda. Projektet utforskar i vilka fall det är gynnsamt att integrera tröghetsmätningar för LiDAR-odometri och kartläggning. Det är redan känt att tröghetsmätningar har potential att förbättra prestandan, men när och hur är sällan ett huvudområde i den befintliga litteraturen. Detta projekt undersöker ett sätt som tröghetsmätningar används på för att kompensera för rörelse i samband med registrering av punkter från en roterande LiDAR, och jämför detta med en liknande metod som inte använder tröghetsmätningar. Resultaten pekar på att integrering av tröghetsmätningar är gynnsamt i fall med hastiga rotationer av sensorn, i övriga fall observeras ingen avsevärd skillnad. Resultaten kan förklaras med befintlig teori, vilket styrker teorin och gör det möjligt att med högre tillit använda den för att förutse beteendet hos liknande system.

A mobile laser scanning (MLS) system equipped with a lidar, inertial navigation system and satellite positioning can be used to reconstruct georeferenced point-based models of the surveyed environments. Ideal reconstruction requires accurate trajectories that are challenging to obtain in forests. Satellite signals are heavily degraded under the forest canopy, while lidar-based positioning is often inefficient due to the forest’s unstructured and complex nature. Most forestry-related solutions compute or improve the trajectory in post-processing, focusing on accuracy rather than the possibility of real-time operation. On the other hand, real-time solutions exist, but they are primarily tested and evaluated in urban environments, and the forest’s effect on them is less known. In this study, high-quality, real-time point-based forest model generation was considered by applying techniques from the field of robotics. Forest data were collected with an MLS system mounted 1) on a stick carried by a person and 2) mounted on a forest harvester while performing thinning operations. The system’s trajectory was computed using lidar-inertial-based smoothing and mapping algorithms with real-time limitations. In addition, satellite measurements were either fused into the smoothing algorithm contributing to the trajectory estimation or were used to georeference the trajectory in a post-processing manner. Collecting reliable reference trajectories is difficult in forests. Therefore, this study mainly contains qualitative and relative evaluation. The results indicate that real-time and onboard processing is feasible for forest data with adequate accuracy. State-of-the-art edge and planar feature-based lidar odometry was the most accurate but could not fully maintain real-time operation. On the other hand, the normal distributions transform-based odometry can maintain fast and constant computation with slightly lower accuracy. Fusing the satellite positioning for the mapping reduced the internal integrity of the reconstructed point cloud models, and it is suggested to use it for post-processed georeferencing instead. / Ett mobilt laserskanningssystem (MLS) utrustat med ett lidar, tröghetsnavigeringssystem och satellitpositionering kan användas för att rekonstruera georefererade punktbaserade modeller av de undersökta miljöerna. Idealisk återuppbyggnad kräver exakta banor som är utmanande att uppnå i skogar. Satellitsignaler är kraftigt försämrade under skogens tak, medan lidarbaserad positionering ofta är ineffektiv på grund av skogens ostrukturerade och komplexa natur. De flesta skogsbruksrelaterade lösningar beräknar eller förbättrar banan i efterbearbetning, med fokus på noggrannhet snarare än möjligheten till drift i realtid. Å andra sidan finns realtidslösningar, men de är främst testade och utvärderade i stadsmiljöer och skogens påverkan på dem är mindre känd. I denna studie övervägdes högkvalitativ, punktbaserad skogsmodellgenerering i realtid genom att tillämpa tekniker från robotteknikområdet. Skogsdata samlades in med ett MLS-system monterat 1) på en pinne som bärs av en person och 2) monterad på en skogsskördare under gallringsoperationer. Systemets bana beräknades med hjälp av lidar-tröghetsbaserade utjämnings- och kartläggningsalgoritmer med realtidsbegränsningar. Dessutom fuserades satellitmätningar antingen in i utjämningsalgoritmen som bidrog till banuppskattningen eller användes för att georeferera banan på ett efterbearbetningssätt. Att samla pålitliga referensbanor är svårt i skogar. Därför innehåller denna studie främst kvalitativ och relativ utvärdering. Resultaten indikerar att bearbetning i realtid och ombord är möjlig för skogsdata med tillräcklig noggrannhet. Toppmodern kant- och planfunktionsbaserad lidarodometri var den mest exakta men kunde inte helt upprätthålla realtidsdrift. Å andra sidan kan normalfördelningstransformationsbaserad odometri upprätthålla snabb och konstant beräkning med något lägre noggrannhet. Att sammansmälta satellitpositioneringen för kartläggningen minskade den interna integriteten hos de rekonstruerade punktmolnmodellerna, och det föreslås att man istället använder den för efterbehandlad georeferens.