Detta examensarbete utforskar utvecklingen och tillämpningen av en invers sensormodell skräddarsydd för att förbättra LiDAR-databearbetning inom s.k. “Transitional Grid Maps” (TGMs), som representerar ett innovativt tillvägagångssätt som distinkt kategoriserar dynamiska och statiska objekt, avgörande för korrekt realtidsnavigering. Den inversa sensormodellen är en viktig del av en s.k. “occupancy grid” kartläggning eftersom den uppskattar sannolikheten att en cell är upptagen utifrån fordonets aktuella sensormätning och position. En “occupancy grid map” är en karta uppdelad i ett rutnät där varje cell har ett värde som visar om det finns ett hinder i den eller inte.  

Inledningsvis behandlar avhandlingen teoretiska och tekniska utmaningar med traditionella sensormodeller i dynamiska miljöer. För att möta dessa utmaningar föreslås, efter en omfattande utvärdering av olika alternativ, ett förfinat system som optimerar LiDAR-dataförbehandling, vilket inkluderar brusfiltrering, markborttagning och datanedsampling. Dessa förbättringar underlättar effektiv användning av inversa sensormodeller för att konstruera en mer tillförlitlig karta. 

Empirisk validering genomförs genom två fallstudier: en kontrollerad statisk miljö och en urban dynamisk miljö, där modellens prestanda utvärderas. Resultaten visar på betydande förbättringar av kartans nogrannhet, visar modellens robusthet och anpassningsförmåga till olika operativa sammanhang samt förväntad prestanda hos TGM i en verklig miljö. 

Som en slutsats ger denna forskning svar på forskningsfrågorna genom att visa att strategiska förbättringar av punktmolnsbearbetning och invers sensormodellering avsevärt förbättrar prestandan hos Transitional Grid Maps (TGM). Studien identifierar den lämpliga balansen mellan prestanda och beräkningsbelastning med parametrar, såsom en nätupplösning på 0,5 m och en exekveringsfrekvens på 8 Hz, som avgörande för effektiv realtidsnavigering i stadsmiljöer. Dessutom visades integrationen av avancerad 3D-punktmolndata med en förfinad förbearbetningspipeline erbjuda den bästa balansen mellan noggrannhet och beräkningseffektivitet, vilket bekräftar robustheten och anpassningsförmågan hos de föreslagna modellerna i dynamiska inställningar. Dessa resultat bekräftar inte bara effektiviteten av de föreslagna metoderna utan lägger också grunden för framtida forskning som syftar till att skala dessa modeller till mer komplexa miljöer, vilket i slutändan bidrar till en säkrare användning av teknik för autonom körning.

This thesis explores the development and application of an inverse sensor model tailored to enhance LiDAR data processing within Transitional Grid Maps (TGMs), which represent an innovative approach that distinctly categorises dynamic and static objects, crucial for accurate real-time navigation. The inverse sensor model is an important part of occupancy grid mapping since it estimates the probability of a cell being occupied given the current sensor measurement and pose of the vehicle.  

Initially, the thesis elaborates on the theoretical and technical challenges posed by traditional sensor models in dynamic settings. To address these challenges, after a comprehensive evaluation of different alternatives, we propose a refined system that optimises LiDAR data preprocessing, including noise filtering, ground removal, and data downsampling. These enhancements facilitate the effective use of inverse sensor models to construct more reliable occupancy grid maps.

Empirical validation is carried out through two case studies: a controlled static environment and an urban dynamic environment, where the model's performance is evaluated. The findings demonstrate significant improvements in the accuracy of grid mapping, showcasing the model's robustness and adaptability to different operational contexts as well as the correct performance of TGMs in a real environment.  

As a conclusion, this research provides answers to the research questions by demonstrating that strategic enhancements in point cloud processing and inverse sensor modelling significantly improve the performance of Transitional Grid Maps (TGMs). The study identifies a suitable balance between performance and computational load with parameters, such as a grid resolution of 0.5 m and an execution frequency of 8 Hz, as crucial for effective real-time navigation in urban environments. Furthermore, the integration of advanced 3D point cloud data with a refined preprocessing pipeline was shown to offer the best balance between accuracy and computational efficiency, confirming the robustness and adaptability of the proposed models in dynamic settings. These findings not only validate the effectiveness of the proposed methodologies but also set the foundation for future research aimed at scaling these models to more complex environments, ultimately contributing to the safer deployment of autonomous driving technologies.