A matter of reality
(2018)
Due to the increasing relevance of data, more and more data from various sources is accumulated for a variety of purposes. At the same time, however, there is a shortage of data in areas where it is urgently needed. Particularly in the field of machine learning, there is a lack of good and usable training data. Therefore, this research paper is concerned with the virtual data acquisition for the training of neural networks. For this purpose, first an application was developed that aims to generate virtual, automatically labeled data. Subsequently, a neural network was trained on the generated virtual data and tested on real data.
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 beschreibt ein Referenzsystem,
welches die Trajektorie eines Modellfahrzeugs mithilfe einer
Deckenkamera ermittelt.
Hierbei wird die Position eines Fahrzeugs durch die Kombination
von mehreren Bildverarbeitungsverfahren bestimmt.
Anschließend erfolgt die Verbesserung der Messdaten sowie die
Schätzung von nicht direkt messbaren Größen mithilfe eines
Partikelfilters. Die abschließende Zuordnung der Referenzinformationen
zu den On-Board-Messwerten wird durch eine
Zeitsynchronisation zwischen Fahrzeug und Referenzsystem
ermöglicht.
Das entwickelte System stellt somit eine hochgenaue Vergleichsbasis
für die Validation und die Abschätzung der
Genauigkeit von Lokalisationsverfahren bereit und erleichtert
daher die Entwicklung autonomer Fahralgorithmen.
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.
OAFuser: Online Adaptive Extended Object Tracking and Fusion using automotive Radar Detections
(2020)
This paper presents the Online Adaptive Fuser: OAFuser, a novel method for online adaptive estimation of motion and measurement uncertainties for efficient tracking and fusion by applying a system of several estimators for ongoing noise along with the conventional state and state covariance estimation. In our system, process and measurement noises are estimated with steady-state filters to obtain combined measurement noise and process noise estimators for all sensors in order to obtain state estimation with a linear Minimum Mean Square Error (MMSE) estimator and accelerating the system’s performance. The proposed adaptive tracking and fusion system was tested based on high fidelity simulation data and several real-world scenarios for automotive radar, where ground truth data is available for evaluation. We demonstrate the proposed method’s accuracy and efficiency in a challenging, highly dynamic scenario where our system is benchmarked with Multiple Model filter in terms of error statistics and run time performance.