von Herrn Lukas Linder, B. Eng.
Kurzfassung:
Für das automatisierte Fahren ist die zuverlässige Detektion von Objekten essenziell. Um dies trotz nicht idealer Sensordaten zu gewährleisten, werden Tracking Filter verwendet. Im Kontext des automatisierten Fahrens müssen mehrere Objekte erfasst werden, weshalb Multi-Objekt Filter, wie das Labeled Multi Bernoulli Filter (LMB-Filter) eingesetzt werden. Werden mehrere Sensoren eingesetzt kann die Implementierung des LMB-Filters entweder parallel oder seriell erfolgen. Ein serieller Ansatz ist beispielsweise das Iterated Corrector LMB-Filter (IC-LMB-Filter) bei welchem die Messdaten der einzelnen Sensoren nacheinander eingebracht werden und eine Abhängigkeit von der Sensorreihenfolge besteht. Bei parallelen Ansätzen wie dem Fast Product Multi-Sensor LMB-Filter (FPM-LMB-Filter) werden die Sensor Updates parallel berechnet und danach miteinander fusioniert, was zum einen zu einem robusteren Ergebnis führt und zum anderen die Rechenzeit verringern kann.
Um Tracks neuer Objekte aufzusetzen, werden Geburtenmodelle verwendet. Diese sind aufzuteilen in dynamische Modelle, bei welchen Messungen der Sensoren verwendet werden und statische Modelle, bei welchen diese Informationen nicht verwendet werden. In einer vorausgegangenen Masterarbeit wurde bereits ein dynamisches Geburtenmodell mittels track-to-track Assoziation für das FPM-LMB-Filter präsentiert. Im Vortrag zur Masterarbeit wird ein weiterer, aus der Literatur bekannter, sampling basierter Ansatz eines dynamischen Multi-Sensor Geburtenmodells vorgestellt und die Implementierung für das FPM-LMB-Filter erläutert. Zudem werden Verbesserungen bezüglich der Effizienz und bei unterschiedlichen Sensor FoVs präsentiert. Zur Evaluation wird das Geburtenmodell mit dem IC-LMB-Filter sowie einem weiteren Geburtenmodells für das FPM-LMB-Filter anhand eines simulativen Szenarios und realen Daten verglichen.
Zu diesem Vortrag wird recht herzlich eingeladen!