Positioning technology is strongly demanded in many fields such as in mobile robot, vehicle localization and navigation, 3D mapping and so on. For vehicle localization and navigation, GPS is widely used. However, the localization accuracy is not satisfied in urban area due to occlusion problem caused by many tall buildings in the city. Recent years, Simultaneous Localization And Mapping (SLAM) has becoming a promising solution for vehicle localization with high accuracy, which can locate the vehicle in unknown environment only using onboard sensors, without any prior knowledge of the environment.

Laser-based SLAM in static environments has been solved, but laser-based SLAM in dynamic environments such as on urban streets involving many moving entities still remains challenging. For SLAM in dynamic environment, the most challenging problem is to distinguish the moving object from the background. A joint framework is proposed and popular to solve the SLAM and moving objects detection and tracking (MODT) problem at same time. This framework is proved to be mutual beneficial. However, this framework may also be affected by each other. For example, it may become unstable if an error occurs in SLAM or MODT. In a congested environment such as urban street, usually it is hard to detect moving objects successfully just by tracking due to occlusion and limited observation.

This thesis focuses on developing a robust and accurate laser-based SLAM and moving object detection/tracking algorithm for vehicle localization in urban environment. Meanwhile, as a unique application of SLAM and moving object detection, we also want to develop an automatic traffic data collection system on a moving vehicle platform in urban area.

In this study, the performance of SLAM is improved in two aspects. Firstly, a simple but effective strategy in grid map building is introduced. In mapping process, each grid in the map is incrementally updated and classified as occupied, empty or unknown, and then the information of the empty grid is used to detect moving object. In this way, the moving object can be detected and discriminated from the background more effectively, even without tracking. It reduces the negative influence caused by the existing of moving object and makes SLAM more reliable in dynamic environments.

Secondly, weighted point matching is proposed in scan matching process in SLAM. Different weight is assigned to each laser point based on local feature to improve the matching accuracy. A point far away is given a large importance value while a point nearby is assigned a small value. By using this strategy, in one hand, it reduced the matching error in SLAM in each frame and thus reduces the accumulative error in localization in large area. In another hand, it reduced the negative effect of nearby moving objects and enables SLAM more robust in dynamic environment.

The proposed SLAM algorithm is tested on a vehicle platform which equipped with only two horizontal laser scanners for SLAM and MODT, a camera and a GPS are for validation. The two laser scanner, LD OEM by SICK, which are mounted on both left and right side front of the vehicle, can cover a maximum measurement range of 150m with a horizontal view of 270° and angle resolution of 0.25°.In the experiment, we drove the experimental car on urban streets in Tokyo, with an average speed about 50km/h.

Fig 1 shows the final localization and mapping results by SLAM after finishing the total experiment course. The vehicle trajectory by SLAM is shown Google Earth in red colour, while the yellow line is the vehicle trajectory by GPS. From the zoomed view, it is obvious that the trajectory from SLAM is much smoother and more accurate than that of GPS. The total accumulative error of our SLAM algorithm is less than 3m after a 2.3km trip. We also conducted a contrast experiment to compare our proposed SLAM algorithm with the conventional SLAM method. The two SLAM algorithms mainly differ in matching process: the previous one assign different weight value for each laser points in matching while the later one treat all of the laser points equally. The water blue line is the result using the conventional SLAM method. It is obvious that the localization accuracy of the proposed method is much better than that of the conventional method.

Based on the SLAM algorithm and moving objects detection technology, we developed a novel Smart Probe Car system, which can automatically collect traffic data on a moving vehicle platform. Only two laser scanners are used in the system. One is a horizontal laser scanner mounted on the front of the car, which is used to locate the car by SLAM. Another one is a slant laser scanner mounted on the back of the car, which is used to build a 3D map of the environment. Based on the 3D map, the moving objected can be extracted from the background. Then, a novel method is proposed to estimate the speed of these cars based on their 3D profile. Our traffic collection system is shown in fig 2.

The performance of the developed traffic data collection system is validated with experiment on a congested urban street. Fig 3 shows an instance of our real time traffic data collection program. The SLAM, 3D mapping, vehicle detection and traffic data collection process are carried out at the same time in a real time way. The yellow line is the trajectory of the probe car, and the red point shows its current position. The speed of the probe car is estimated by SLAM and is shown in the top of this window. The detected cars are labeled in red color and their speed and size are shown at their location. As the probe car moving, the vehicles in the other lane are detected in the same way. The detected cars are counted and the total number is shown the right top of the window.

A number of detected cars and their parameter such as speed and size are shown in Fig 4. Their ID is the counted number in our traffic collection system. The clusters are extracted from the 3D map built by the slant laser scanner, while the corresponding image is from the video camera, which is just for reference and validation. The experiment results confirm that we can collect real time detailed traffic data with the proposed Smart Probe Car system.

However, there are still many challenges remain in real application. Further effort is needed to solve the accumulative error in SLAM in a much larger scale area. Fusing with other sensors such as GPS or camera could be a possible solution for this problem, which is supposed to be introduced in further study. In another hand, in traffic data collection, we just use the slant laser scanner information to estimate all the parameter of the detected cars. It is efficient but not robust enough. Since we also can detect the speed by tracking using a horizontal laser scanner, in future study, this kind of information also should be added into consideration, in order to make the estimation more reliable.

Figure 1 Comparative experiment of SLAM in urban area

Figure 2 Test-bed vehicle for traffic data collection

Figure 3 A instance of real time traffic data collection program

Figure 4 Samples of detected car and traffic data

屋内外を問わず移動体の位置・姿勢を正確に決定することができれば、移動体自体のコントロールに役立つばかりでなく、移動体にセンサ等を搭載することで周辺の静止地物に関する地図を作成し、周辺の移動体を識別、追跡することができる。位置の決定のためのシステムとしては屋外ではGPSが知られているが、ビル陰や屋内空間では衛星信号の受信に困難であり利用することができない。そのためロボティックスの分野を中心にSLAM(Simultaneous Localization And Mapping)と呼ばれる手法が開発されてきた。これは移動体に搭載されたセンサから連続的に得られた画像データ等を用いて、移動体(センサ)の位置や姿勢の変化を推定する手法であり、センサデータが得られる限り相対的な変化ではあるが、位置・姿勢を決定できる。しかしながら、センサデータの処理エラー(オクルージョンによる情報の欠落や、混在する移動物体と静止物体の識別エラーなど)により位置・姿勢の決定が中断したり、誤差が大きく累積するなどの問題があり、周辺環境によって高精度SLAM実現の難易度は相当異なる。従来は、ロボット等の作業空間が屋内に限定されること多いためか、SLAM研究・開発は比較的単純な屋内空間を対象としたものが多い。しかし、一般には街路などの屋外空間では多数の車両や歩行者、樹木などの不定形の地物などが混在し、精度、安定性を維持することは容易ではない。

本論文は、レーザセンサを用いた2次元SLAM手法(移動空間を平面と想定して位置・姿勢を推定するSLAM手法)と周辺移動体(車両・歩行者等)の追跡手法を対象に、屋外空間や歩行者なども多数混在した複雑度の高い屋内空間に適用することを念頭に開発し、さまざまな環境下での実証実験を通じて、精度改善効果を確認したものである。本論文は全5章からなっている。

第1章は序論であり研究の背景、SLAM手法・移動体追跡手法における課題を整理し研究目的を定義している。

第2章はSLAM手法・移動体追跡手法を分類・概観したうえで、屋外空間に適用するという視点から既存研究の手法を評価している。

第3章は新たな手法を提案し、検証実験を通じてその有効性を確認している。提案手法は主に、1)レーザビームが一度スキャンした空間を「空のスペース」と明示的に記録し移動体の検出を容易にすること、2)時系列画像中のレーザポイントを相互にマッチングする際センサに近いポイントの相対的な重みを小さくする一方、遠くのポイントの重みを大きくすること、の2点の改善を実現している点に特色がある。1)については、従来の手法では移動体の識別には数フレームの画像追跡を必要としたが、「空スペース」を明示的に定義することでその中に登場した対象物は全て移動体と見なすことが可能になり、多数の移動体がセンサ視野の中に存在するケースでも安定的に移動体を識別し、同時にSLAMの精度劣化を防止できると期待される。2)については、対象物までの距離が遠くなると対応するレーザポイントの数は減るものの姿勢の決定精度向上には一層貢献できるという点に着目している。これにより姿勢の決定精度が向上すると期待される。

レーザを搭載した実験車両を開発し、提案手法を幅員や交通量の異なる街路空間で精度検証実験を多数行った。また屋内空間においても多数の歩行者の行き交う展示場空間においても検証実験を行った。その結果、上記の改善を加えることで、さまざまな実験条件の下でも常にSLAMの位置・姿勢決定誤差は改善し場合によっては数分の1になる例もあるなど、精度向上や安定性の向上が確認された。また実験車の周辺に停車している車両が急に発進するような場合でもそれに引きずられることが少なく、都市街路環境でのSLAM手法として一層好ましい性能を有していることを示した。

第4章は、SLAM手法・移動体追跡手法の応用として、路上を走行しながら交通状況(旅行速度や車両の密度)を計測するシステムを開発し、実験を通じて有効性を示した。具体的にはレーザスキャナを利用したSLAM手法・移動体追跡手法を利用して、計測車両自体や周辺の車両について位置、速度、車体形状を計測するシステムである。

第5章は結論と今後の課題である。研究の成果をまとめ、今後さらに検討が必要な項目を整理している。

以上をまとめると、本論文はSLAM手法や移動体追跡手法を複雑な屋外空間に適用することを目的にさまざまな改善を加え、さらに都市街路環境を対象とした実証実験により精度改善効果や安定性の向上などを確認しており、今後SLAM手法・移動体追跡手法を屋外の複雑な空間に適用することを一層容易にし、同時に交通情報の収集など、ロボティックス以外の分野でも有望な応用があり得ることを、豊富な実環境実験を通じて明らかにした。これは測量学に貢献するところが大である。よって本論文は博士(工学)の学位請求論文として合格と認められる。