Leibniz Universität Hannover zur zentralen Website
Konstruktiver Ingenieurbau
Wasser und Umwelt
Geodäsie und Geoinformatik
Weitere Einrichtungen
Kontakt

Gemeinsam navigiert es sich besser

GeoWerkstatt-Projekt des Monats Juni 2020

Projekt: Dynamische Passinformation zur relativen Positionierung von Sensornetzknoten

Forschende: Dr.-Ing. Max Coenen

Projektidee: Autonom agierende Fahrzeuge können sich bei der gegenseitigen Positionierung unterstützen und so den Verkehr sicherer machen

Autos, Radfahrer, Fußgänger und viele weitere Akteure – auf Straßen herrscht kontinuierlich Bewegung und das nicht unbedingt in vorhersehbaren Bahnen. Diese Dynamik ist eine große Herausforderung für autonome Fahrzeuge, die hier sicher navigieren wollen. Eine Idee ist es, dass sich die Fahrzeuge an anderen Fahrzeugen orientieren. Jedes Fahrzeug trägt Sensoren, sodass sie sich gegenseitig erkennen und gemeinsam ein dynamisches Sensornetz bilden. Dieses Projekt beschäftigt sich im Rahmen des Graduiertenkollegs i.c.sens mit der kamerabasierten Positionierung von Fahrzeugen als Knoten in einem solchen Sensornetz. Dafür werden Stereokameras an den Fahrzeugen angebracht. Mit Hilfe der Stereobilder werden die Fahrzeuge detektiert und ihre Position und Orientierung bestimmt. Die Feinlokalisierung der Fahrzeuge übernimmt ein deformierbares 3D-Modell. Hieraus können geeignete Merkmale („Dynamische Passpunkte“) für die relative Positionierung der Kameras in Bezug auf die anderen Sensornetzknoten – d.h. die anderen Fahrzeuge - abgeleitet werden.

Der Vorteil von Stereoaufnahmen ist, dass man neben den Bildinformationen auch 3D-Informationen ableiten kann. Zunächst wird das Fahrzeug mit Hilfe eines neuronalen Netzes detektiert, welches eine Segmentmaske für jedes Fahrzeug im Bild liefert. Zudem wird vorab die Straßenebene detektiert. Dieser Schritt erlaubt es plausible Annahmen zu treffen, wo sich ein Fahrzeug möglicherweise befindet, was in die präzise Bestimmung der Fahrzeug-Position einfließt.

Als Grundlage für die die Feinlokalisierung der Fahrzeuge dienen sogenannte „Active Shape Models“, welche aus bekannten CAD-Fahrzeug-Modellen erlernt und in die detektierten Objekte eingepasst werden können. Ein Convolutional Neural Network (CNN) wurde entworfen, um semantische Fahrzeugpunkte und -kantenstrukturen aus den Bildern zu extrahieren. Für die Einpassung wird eine Methodik entwickelt, welche die äußere Hülle sowie die Silhouette und Eckpunkte des Modells mit beobachteten 3D Punkten sowie den prädizierten Kanten und Landmarken in Einklang bringt.

© ipi
Beispiel eines eingepassten Fahrzeugmodells. Links: Detektierte Landmarken (oben) und prädizierte Fahrzeugkanten (unten). Rechts: Eingepasstes Fahrzeug projiziert ins Bild (oben) und in 3D Ansicht (unten).