|
Die Fahrzeugumfeldsensorik ist ein typisches Beispiel für ein Applikationsfeld, in dem sich in den letzten Jahren ein Wandel von der Verwendung einzelner Sensoren hin zu komplexen Sensorsystemen vollzieht. Während ursprünglich einzelne Sensoren nur einen bestimmten Zweck erfüllten, dienen heute schon verschiedentlich Gruppen von gleichen und unterschiedlichen Sensoren, der Bewältigung sehr anspruchsvoller Aufgaben, wie z. B. der Ermittlung des aktuellen Bremszustandes des Fahrzeuges, der Lagemessung des Fahrzeuges in der aktuellen Fahrspur bis hin zur Erfassung der kompletten aktuellen Straßenszene (eigenes Fahrzeug, Straßenverlauf, begegnende Hindernisse usw.). Neben der gestiegenen Komplexität des somit erfassbaren Zustandes zielt man bei der Anwendung von Multi-Sensor-Systemen insbesondere auf die Verbesserung der Detektionsleistung ab.
Eine Möglichkeit, die Fusion von Sensor-Daten zu unterstützen, ist es, den Bezug der gemessenen Daten auf ein System als Ursprung dieser Daten herzustellen. Deshalb stellt an der Professur für Nachrichtentechnik die Entwicklung und Verwendung mathematischer parametrischer Modelle (z. B. von Fahrzeugen auf der Straße) eine wichtige Grundlage für die Sensor-Daten-Fusion dar. Um die Messungen aus unterschiedlichen Sensoren mit den Parametern der Modelle in Verbindung zu bringen, werden Schätzverfahren eingesetzt. Das am weitesten verbreitete Verfahren für diese Aufgabenstellung ist der Kalman-Filter. Der Kalman-Filter (bzw. für nichtlineare Beziehungen der Extended Kalman-Filter) erlaubt es, auch solche Größen mit in die Schätzung einzubeziehen, die nicht direkt gemessen werden können.
Für den Schätzalgorithmus des Kalman-Filters werden mehrere Anwendungsgebiete mit unterschiedlichen Modellen untersucht. Im Folgenden werden zwei Beispiele für die vielfältigen Einsatzmöglichkeiten von mathematischen Modellen zur Zustandsschätzung gegeben.
|
| Straßenranderkennung in unstrukturierten Gebieten mit einem Laserscanner |
In vielen Anwendungen im Fahrzeugumfeld ist es von großer Wichtigkeit, neben möglichen Hindernissen und anderen Verkehrsteilnehmern auch Kenntnis über den Straßenrand zu besitzen. Autonom fahrende Transportsysteme benötigen in komplexen Situationen selbst bei einprogrammierten Bahnen Referenzmessungen, um nicht von der Straße abzuweichen. Bei Fahrerassistenzsystemen ist die Straßenranderkennung eine Voraussetzung für die Selektion zwischen potentiell gefährlichen Hindernissen und solchen, die sich in einigem Abstand zur Straße befinden.
In unstrukturierten Gebieten (z.B. auf Feldwegen), wenn die Sensoren sich nicht auf eine weiße Linie oder ähnlich eindeutige Strukturen verlassen können, ist das Problem nicht ohne weiteres mit einfachen visuellen Sensoren zu lösen. Deshalb verwendet die Professur für Nachrichtentechnik zur Lösung dieser Aufgabenstellung einen Laserscanner, der sowohl Entfernungswerte als auch Reflektionswerte messen kann. Das Grundprinzip besteht darin, das der Laserscanner so an ein Testfahrzeug montiert wird, dass die Scanebene des Lasers die Grundebene der Straße in einem definierten Abstand durchdringt (siehe Grafik).
Die Signalverarbeitung läßt sich im wesentlichen in zwei Schritte teilen. Der erste ist die Detektionssignalverarbeitung, die aus den Rohdaten des Scanners Straßenranddetektionen generiert, der zweite Schritte beinhaltet die Datenfusion. Hier wird mit Hilfe eines Modells der Straßenrand geschätzt.
Da der Laserscanner pro Abtastpunkt zwei Signale liefert, werden multimodale Detektionsalgorithmen verwendet, das bedeutet, sowohl für die gemessenen Entfernungswerte als auch für die Reflektionswerte existiert ein separater, unabhängiger Detektionsalgorithmus. Im Fall der Reflektionswerte basiert der Algorithmus auf der Annahme, dass die Reflektion des Laserstrahls auf der Straße relativ konstante Werte im Vergleich zum Straßenumfeld liefert. Mit stochastischen Methoden lässt sich so der Rand der Straße detektieren.
Die Detektion der Straßenränder im Entfernungssignal basiert auf der Tatsache, dass die Straße im Signal als Geradenstück auftritt, da der Schnitt von zwei Ebenen grundsätzlich eine Gerade ergibt. Als erstes werden deshalb die Parameter der Geradengleichung für mögliche Straßenhypothesen gebildet. Mit Hilfe eines Verfahrens minimaler Varianz wird dann die "Begrenzung" der Straße bestimmt. Gibt es mehrere Geradenstücke innerhalb eines Scanns (wie in der Grafik), werden mehrere Detektionspaare gefunden und gespeichert.
Für das Verfolgen des Straßenrandes über der Zeit eignet sich der wahrscheinlichkeitsbasierte Ansatz des Kalman-Filters sehr gut. Angenommen wird hierbei ein Modell zweiter Ordnung, es wird für jeden Straßenrand ein gesonderter Filter verwendet. Die Verwendung eines Schätzverfahrens hat mehrere Vorteile:
- Es kann zu beliebigen Zeitpunkten ein Schätzwert abgefragt werden, unabhängig davon, ob die Detektionsalgorithmen eine Messung liefern oder nicht.
- Sind mehrere Messungen in einem Scan vorhanden, kann dem Filter mit Hilfe von Datenzuordnungsmethoden (in diesem Fall Nearest Neighbor Filter) eine Messung zugeordet werden.
- Das modellbasierte Verfahren kann die verrauschten Messungen glätten (siehe Grafik).
|
|
Veröffentlichung zum Thema