004 Informatik
Refine
Document Type
- Article (10)
- Working Paper (2)
- Bachelor Thesis (1)
- Book (1)
- Conference Proceeding (1)
- Study Thesis (1)
Keywords
- Neuronales Netz (3)
- Data Mining (2)
- Kalman-Filter (2)
- data analysis (2)
- data mining (2)
- model car (2)
- neural networks (2)
- training data (2)
- virtual (2)
- Ableitung Solltrajektorie (1)
Für die Positionsbestimmung von Greifarmen wird in der Industrie häufig ein Tracking-System verwendet. Diese Systeme sind allerdings mit hohen Kosten verbunden. In diesem Paper wird ein Verfahren vorgestellt, um kostengünstige Tiefenkameras automatisiert als Multi-Kamerasystem zu registrieren und klassische Tracking-Systeme zu ersetzen. Für diesen Kalibrierungsprozess wird der Greifarm mit einem ChArUco-Brett ausgestattet. Neben der Kalibrierung kann das System auch die Position des Greifers abschätzen.
Die Positionsbestimmung im Indoor-Bereich
ermöglicht im Vergleich zu GPS komplett neue
Anwendungsszenarien. Hierfür ist Technologie notwendig,
welche immer weiter untersucht werden muss, um dessen
Systemgrenzen aufzuzeigen. Die Firma Decawave stellt mit dem
DWM1001 ein Ultrabreitbandmodul zur Verfügung, welches
eine Positionsbestimmung bis zu 10 Zentimetern Genauigkeit
erfüllen soll. Wie sich herausstellt, trifft dies nicht für die Höheninformation der Position zu.
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.
Diese Bachelorarbeit ging der Frage nach, wie der zeitlich anspruchsvolle und komplexe Prozess der kanalübergreifenden Kampagnen-Steuerung des Media Managements der RTL DISNEY Fernsehen GmbH & Co. KG (SUPER RTL) mittels einer geeigneten Lösung automatisiert werden kann. Dadurch soll ermöglicht werden, eine deutlich effizientere Analyse der Daten vorzunehmen. Hierzu wurde der derzeitige Prozess untersucht, die erlangten Erkenntnisse umfangreich analysiert und daraus klare Zielsetzungen an die Entwicklung des Systems abgeleitet. Im Zuge der Produktkonzeption wurde ein Lösungskonzept, welches die Business Intelligence Plattform Microsoft Power BI und die API-Verwaltung von Supermetrics enthält, entworfen und anschließend realisiert. Ziel war es, dem Benutzer eine intuitive und übersichtliche Anwendung zur Verfügung zu stellen, mit der kanalübergreifende Auswertungen durch explorative Visualisierungen vorgenommen werden können. Bestehende komplexe, zeitlich aufwendige und manuelle Prozessabläufe wurden so mehrheitlich im System standardisiert und stehen nunmehr effizient, ersichtlich und vollautomatisiert zur Verfügung.
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 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 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.