Erweiterung Radar-Framework

Die Professur für Prozessautomatisierung beschäftigt sich in der Forschung sowie der Lehre mit dem Thema der autonomen mobilen Robotik. Ein damit verbundenes Gebiet beschäftigt sich mit der Fusion von verschiedenen Sensordaten zur Zustandsschätzung. Mehrere Sensoren sind auf unserer mobilen Plattform (Lange et al., 2016) angebracht und liefern Daten. Abhängig vom Sensor durchlaufen diese Daten Vorverarbeitungsschritte und tragen letztendlich über einen optimierungsbasierten Ansatz zur Zustandsschätzung bei.

Einer dieser Sensoren ist ein aus dem Automobilbereich stammender Radar-Sensor. Mit Hilfe einer Vorverarbeitung lässt sich daraus eine Relativbewegung ermitteln (Haggag et al., 2022). Diese Relativbewegung kann als virtueller Odometrie-Sensor aufgefasst werden und wird momentan aus zwei aufeinanderfolgenden Radar-Messungen ermittelt. In der anzufertigenden Arbeit soll weiteres Potenzial im Zusammenhang mit einer sog. Loosely-Coupled Sensordatenfusion untersucht werden. Dazu gehört die Integration von Loop-Closures, die Verwendung sog. Keyframes, um das Aufakkumulieren von Fehlern zu vermeiden, oder das Optimieren über mehr als zwei aufeinanderfolgenden Messungen. Eine existierende Implementierung (Lange et al., 2022) kann für die Schätzung der Relativbewegung verwendet werden. Für vergleichende Auswertungen soll der virtuelle Odometrie-Sensor zusammen mit der Radodometrie oder IMU in eine SLAM-Lösung basierend auf GTSAM (Dellaert et al., 2022; Dellaert and Kaess, 2017) integriert werden.

Voraussetzungen / Vorkenntnisse:

• Linux-Kenntnisse sind von Vorteil
• C++, Grundlagen
• MATLAB, Grundlagen

Weiterführende Links zum Thema:

• Können erfragt werden.

• Dr.-Ing. Sven Lange

Literaturquellen

Dellaert, F. et al. (2022). GTSAM - Georgia Tech Smoothing and Mapping Library. BORG Lab. url: https://github.com/borglab/gtsam (visited on 04/06/2022).

Dellaert, F. and M. Kaess (2017). “Factor Graphs for Robot Perception”. In: Foundations and Trends® in Robotics 6.1-2, pp. 1–139. issn: 1935-8253. doi: 10.1561/2300000043. url: http://dx.doi.org/10.1561/2300000043.

Haggag, K., S. Lange, T. Pfeifer, and P. Protzel (2022). “A Credible and Robust Approach to Ego-Motion Estimation Using an Automotive Radar”. In: IEEE Robotics and Automation Letters. issn: 2377-3766. doi: 10.1109/LRA.2022.3162644. early access, to appear in IEEE Robotics and Automation Letters.

Lange, S. et al. (2022). libMix4SAM - Mixtures for Smoothing and Mapping Library. Faculty of Electrical Engineering and Information Technology, Technische Universität Chemnitz. url: https://github.com/TUC-ProAut/libmix4sam (visited on 04/06/2022).

Lange, S., D. Wunschel, S. Schubert, T. Pfeifer, P. Weissig, A. Uhlig, M. Truschzinski, and P. Protzel (2016). “Two Autonomous Robots for the DLR SpaceBot Cup – Lessons Learned from 60 Minutes on the Moon”. In: Proc. of Intl. Symposium on Robotics (ISR), pp. 1–8. isbn: 978-3-8007-4231-8.