Search

In der heutigen Zeit werden Fahrzeugprojekte immer komplexer. Fast jedes Subsystem benötigt Informationen von Anderen, um seine Funktion erfüllen zu können. Dies sorgt für einen höheren Abstimmungs- und Planungsaufwand. Fahrzeugsystemtechnik bietet hier eine Möglichkeit Komplexität beherrschbar zu machen. In diesem Vortrag wird kurz auf Fahrzeugsystemtechnik im Allgemeinen und anschließend auf den Zusammenhang mit dem Projekt Stadtpilot eingegangen. Am Beispiel eines Subsystems wird darauf folgend die Architektur des objektbasierten Sensordatenfusion des Projekts vorgestellt.

Im Projekt Stadtpilot wurde die im Urban Challenge Team CarOLO der TU Braunschweig eingesetzte objektbasierte Umfeldwahrnehmung weiterentwickelt. Bedingt durch das veränderte Szenario wurde der Einsatzbereich des Versuchsträgers von abgesperrten Testgeländen in den öffentlichen Straßenverkehr verlagert. In dieser veränderten Umgebung werden Fremdfahrzeuge von den eingesetzten Sensoren durch einen offenen Polygonzug (Kontur) mit einer Vielzahl von Stützpunkten beschrieben. Teilweise liegen sie auf Geraden oder bilden das Rauschen der Kontur ab und leisten so keinen Beitrag zur Beschreibung der Kontur. Diese überflüssigen Punkte erschweren ein erfolgreiches Tracking und verzerren die Kontur der Objekthypothese. Aufgrund des zahlreichen Fremdverkehrs, bedingt durch die Veränderung des Umfelds, treten ferner häufig Perspektivwechsel durch überholende und überholte Fahrzeuge auf. Aus diesem Grund erfahren einzelne Stützpunkte der Kontur keine weiteren Aktualisierungen durch Messungen und können so ebenfalls zu Verzerrungen der Kontur führen. Um diesen Problemen zu begegnen, wurde das Kontur schätzende Kalmanfilter um verbesserte Konturaktualisierungen sowie einen Konturklassifikator auf Basis der Evidenztheorie erweitert. Diese Verbesserungen ermöglichen eine Reduzierung der verwendeten Stützpunkte. Ferner werden Perspektivwechsel von überholenden Fahrzeugen besser unterstützt, da diese durch den Klassifikator explizit erkannt werden., In project Stadtpilot, described in, the object based environment perception system developed by the urban challenge team CarOLO at TU-Braunschweig, as presented in, was enhanced. In this new project context, the scenario is further complicated to include public traffic on large inner-city loops. Other vehicles are described by the projects sensor data fusion by an open polyline (contour) with lots of points. Partially, these points lie on straight lines or represent noise of the contour, which do not contribute to the objects description. These extra points complicate an effective tracking and deform the contour of the object hypothesis. Because of the numerous traffic and due to the change in the environment’s type, surrounded vehicles create a change of view very often. This results in no or less measurement updates of some points in the contour and can result in deformation of the contour. In an effort to overcome this problem, the contour estimating Kalman filter, presented in, was enhanced by improved point update algorithms as well as a contour classifier based upon evidence theory. These enhancements allow the decrease of the used points. Changes of view, due to passing traffic, are better identified because the classifier identifies the most likely shape explicitly.

Der Trend zu komplexeren und gleichzeitig flexiblen Fahrerassistenzsystemen stellt neue Anforderungen an die maschinelle Umfeldwahrnehmung. Ein breites Spektrum an Sensoren und die Unterstützung vieler unterschiedlicher Applikationstypen, je nach Fahrzeug, macht die Entwicklung und Wartung von Umfeldwahrnehmungen aufwändig und erhöht dadurch die Entwicklungskosten signifikant. Dieser Beitrag stellt eine Anwendung des Software Produktlinien Ansatzes für in unterschiedlichen Projekten einsetzbare Umfeldwahrnehmungen vor, um Komplexität und Wartung beherrschbar zu machen. Bei der Abbildung der Umfeldwahrnehmung als Software Produktlinie wird das System in unabhängig entwickelbare Komponenten (Core-Assets) aufgeteilt. Jedes dieser Core-Assets enthält seinen eigenen Entwicklungsprozess und bleibt damit beherrschbar. Für jede Anwendung wird eine spezielle Kombination daraus gebildet. So dass nicht eine in jeder Applikation einsetzbare Umfeldwahrnehmung, sondern eine spezielles Ausprägung für jede Anwendung erstellt wird. Durch Regeln bei der Zusammenstellung und automatische Blackbox-Testfälle wird sicher gestellt, dass mit jedem neuen Release eines Core-Assets alle Applikationen automatisch eine neue Version der Umfeldwahrnehmung erhalten. So können Bugfixes oder neue Features unmittelbar in alte Produkte einfließen und führen somit zu kürzeren Produktzyklen und geringeren Wartungskosten. Zur Erzeugung einer für eine Applikation optimalen Umfeldwahrnehmung ist eine Kombination verschiedener Core-Assets nötig. Mit Hilfe von Bewertungsmetriken für Umfeldwahrnehmungsalgorithmen, Randbedingungen hinsichtlich Rechenleistung und verfügbarer Sensorik sowie den Anforderungen der Applikation lässt sich auf diesem Weg für jede Anwendung eine Umfeldwahrnehmung kombinieren. Ferner kann mit Hilfe der eingesetzten Metriken die zu erwartende Qualität des Systems bereits vor dem Einsatz eingeschätzt werden.

In den letzten Jahren hat sich die gitterbasierte Sensordatenfusion im Forschungsumfeld der Fahrerassistenz immer mehr etabliert. Beschrieben wird das Umfeld eines Fahrzeugs dabei durch eine fahrzeug-, orts- oder objektfeste Gitterstruktur (Grid). Jede Zelle dieses Gitters enthält einen Zustandsvektor wie beispielsweise eine Information über die Wahrscheinlichkeit der Befahrbarkeit einer Zelle (Occupancy Grid) oder einen Höhenwert (Height Map). Bedingt durch die lückenlose flächige Struktur kann die gridbasierte Fusion gegenüber der schon länger genutzten objektbasierten Sensordatenfusion nicht nur Wissen über die Existenz von Hindernissen im Fahrzeugumfeld, sondern über den gesamten Erfassungsbereich des Grids abbilden. Insbesondere die Informationen über die so bekannten Freibereiche können beispielsweise von einer Bahnplanung genutzt werden, um kollisionsfreie Bahnen zu ermitteln. Ziel des Projektes Stadtpilot ist die vollständige automatische Fahrt auf dem Braunschweiger Stadtring. Eine gitterbasierte Sensordatenfusion soll in diesem Fall genutzt werden, die Bahn des Testträgers um statische Hindernisse herum zu planen. Zur maschinellen Wahrnehmung der Umgebung werden hierzu unterschiedliche Lasersensoren eingesetzt und mithilfe der Bayes-Rule-Of-Combination fusioniert. Auf Basis der aufgestellten Architektur können flexibel gitterbasierte Umfeldwahrnehmungen zusammengestellt werden. Diese können, durch die einheitlichen Schnittstellen, in unterschiedlichen Projekten und Versuchsträgern eingesetzt werden. Durch die erreichte Modularität lassen sich einzelne Algorithmen innerhalb der Fusionsebene austauschen, was die Erprobung von unterschiedlichen Ansätzen erheblich vereinfacht. Im Rahmen des Beitrags werden wir detailliert auf die einzelnen Schnittstellen innerhalb und zwischen den Ebenen sowie die Modularität eingehen und aufzeigen, wie eine große Bandbreite an unterschiedlichen gitterbasierten Sensordatenfusionen mit der Architektur abgedeckt wird.