Refine
Year of publication
- 2020 (4) (remove)
Document Type
- Article (4)
Language
- German (4) (remove)
Has Fulltext
- yes (4) (remove)
Keywords
- Ableitung Solltrajektorie (1)
- Autonomes Fahren (1)
- Extended Kalman-Filter (1)
- Fahrspur (1)
- Fahrspurerkennung (1)
- Kalman-Filter (1)
- Kreisbogen (1)
- Kreisbogenmodell (1)
- Landmarke (1)
- Mobiler Roboter (1)
Diese Arbeit befasst sich mit der Entwicklung eines robusten Positionsschätzers. Die Positionsschätzung findet für einen mobilen Roboter statt, welcher autonom einen Rundkurs abfährt.
Mithilfe des von Thrun et al. entwickelte FastSLAM Ansatz wird ein Konzept zur Filterung der Position entwickelt. Geeignete Umweltinformationen werden für die kontinuierliche Korrektur ermittelt und beschrieben. Für die Korrektur wird die Charakteristik der Rennstrecke genutzt.
Durch eine Validierung des Konzepts wird die Funktionalität gezeigt und ein Einblick in die erforderliche Rechenleistung gegeben.
Diese Arbeit befasst sich mit der Entwicklung einer kamerabasierten Verkehrszeichenerkennung für ein autonom fahrendes Fahrzeug.
Dabei wird das neuronale Netz SSD-MobileNet-V1 verwendet, dessen Training ausschließlich mit virtuellen Trainingsdaten erfolgt. Zur Validierung wird ein autonom fahrendes Modellfahrzeug verwendet. Um die Verkehrszeichenerkennung auf dem Modellfahrzeug integrieren zu können, wird sie in Form eines ROS-Nodes implementiert, welcher außerdem die notwendige Vorverarbeitung der Kamerabilder sowie die Plausibilisierung der erkannten Verkehrszeichen beinhaltet. Es folgt die Integration der Verkehrszeichenerkennung in das Modellfahrzeug, wo sie auf einem NVIDIA Jetson TX2-Board ausgeführt wird.
Die entwickelte Verkehrszeichenerkennung ist in der Lage, 15 der 17 trainierten Verkehrszeichen zuverlässig zu erkennen und kann auf dem NVIDIA Jetson TX2-Board mit ausreichender Performance ausgeführt werden.
Diese Arbeit beschreibt die Aufstellung einer Trajektorie für ein autonomes Fahrzeug. Als Basis dient eine Vorarbeit, bei der ein neuronales Netz das Bild einer Frontkamera eines Autos in Fahrspur und Nicht-Fahrspur segmentiert. Darauf aufbauend wird das Bild zunächst in die Vogelperspektive transformiert. Anschließend folgen eine Detektion der Fahrspurkanten sowie ein Clustering-Verfahren, um linke und rechte Kantenabschnitte zu separieren. Weiter wird die Trajektorie diskret in Form von Parametern des Kreisbogenmodells aufgenommen. Die Prädiktion dieser Parameter erfolgt mittels eines Extended Kalman-Filters. Die abschließende Validierung der Algorithmen erfolgt durch eine synthetisch generierte Fahrspur.
Diese Arbeit stellt einen Lösungsansatz
für das Erstellen einer Karte für autonome Systeme auf Grundlage von Objekten mit Lebenspunkten vor. Dafür werden von
den Sensoren erfasste Punkte mit einem DBSCAN verarbeitet,
um zusammenhängende Cluster zu finden. Diese Cluster werden
mit Lebenspunkten versehen, welche die Existenzplausibilität
widerspiegeln.