Merkmalsbasierte Objektrelationale Navigation
Bild- und Sprachverarbeitung, Computergraphik und Visualisierung, Human Computer Interaction, Ubiquitous und Wearable Computing
Zusammenfassung der Projektergebnisse
In diesem Projekt wurde ein Gesamtsystem zur objektrelationalen Navigation entworfen das den menschlichen Navigationsprinzipien nachempfunden ist. Neben Ansätzen zur Verhaltens- und Bewegungsplanung sowie der Regelung, wurde hauptsächlich ein Verfahren entwickelt um ein 3D Merkmalsmodell eines dynamischen Objekts rekursiv aus LiDAR Messungen zu schätzen. Hierzu wurde eine Gauß-Prozess Regression gewählt, um die Objektoberfläche durch eine Menge an Basispunkten relativ zu einem Objektkoordinatensystem darzustellen, gegeben als sphärische Winkel in Kugelkoordinaten mit zugehörigem Radius. Sowohl der Radius für diese Basispunkte als auch der kinematische Fahrzeugzustand wurden in einem gemeinsamen Zustandsvektor zusammengefasst, welche über der Zeit rekursiv mit Hilfe eines Extended Kalman Filters geschätzt wurde. Damit ist es möglich gleichzeitig die Oberfläche und den kinematischen Zustand des Objekts aus den Sensordaten zu schätzen um diese Information in die Navigation miteinzubeziehen. Dieses Merkmalsmodell wurde in den Verhaltensentscheid mit einbezogen, um die Entscheidung zu einem Überholmanöver zu treffen und einen kollisionsfreien Bewegungsablauf zu planen. Als wesentliche Punkte für zukünftige Arbeiten stellt sich die Prädiktion anderer Verkehrsteilnehmer und damit verbunden die Repräsentation in einer einheitlichen interpretierbaren Darstellung der aktuellen Szene heraus. Das bedeutet der hier entwickelte Ansatz sollte auf mehrere dynamischen Objekte erweitert werden, um dann deren zukünftige Bewegung prädizieren zu können. Aufbauend auf diesen Entwicklungen, stellt die Verhaltensplanung die größte Herausforderung dar, besonders unter dem Gesichtspunkt der kooperativen Navigation. Hierbei müssen im Besonderen die Unsicherheiten der Wahrnehmung und ein möglicherweise unvollständiges Bild der lokalen Umgebung berücksichtigt werden, sowie die Interaktion der Verkehrsteilnehmer untereinander. Hierbei kann der gewählte Ansatz von Vorteil sein, da mit Hilfe des Gauß-Prozesses eine statistisch korrekte Aussage über Unsicherheiten in der geschätzten Oberfläche des dynamischen Objekts getroffen werden kann. Für Bereiche der Objektoberfläche, die mehrfach beobachtet wurden, sinkt die Kovarianz und damit die Unsicherheiten in der Schätzung. Dies kann z.B. verwendet werden um die Entscheidung zum Überholen bezüglich der Fahrzeugrückseite, die ja genau beobachtet werden kann, zu treffen.
Projektbezogene Publikationen (Auswahl)
- Robust Long-Range Teach-and-Repeat in Non-Urban Environments. In: Proceedings of IEEE Intelligent Transportation Systems (ITSC). Yokohama, Japan, Oktober 2017
Ebert, Felix; Fassbender, Dennis; Naujoks, Benjamin; Wuensche, Hans-Joachim
(Siehe online unter https://doi.org/10.1109/ITSC.2017.8317767)
