Prototypen und Ergebnisse
Projektmitglieder
- Nelson Brüchmann
- Benjamin Frühling
- Niklas Hartmann
- Andre Jehsert
- Luca Manzek
- Julian Müller
- Keno Ortmann
- Niklas Rahenbrock
- Yannik Schnaubelt
- Nico Schult
- Julias Thünemann
- Sven Wurzbacher
Website Verantwortliche
Prototypen und Ergebnisse
Anhand der Schnittstellen der ADORe Perzeptions API wurden verschiedene Arten von Prototypen ausarbeitet. Dabei zunächst drei Prototypen genauer untersucht worden: die Lokalisierung, die Verkehrssteuerung und die andere Verkehrsteilnehmer.
Bei der Lokalisierung werden die Positionsinformationen des Ego-Fahrzeuges umgesetzt. Dabei ist das übergeordnete Ziel dieses Prototyps die Übermittlung von realitätsnahen Sensor-Positionsinformationen aus der Simulation an ADORe. Dieser Prototyp ist die Basis des gesamten Systems.
Bei der Verkehrssteuerung sollen innerhalb der Simulation die Verkehrssteuerungseinrichtungen, wie Ampeln und Schilder, zuverlässig erkannt werden. Das aktuelle Ziel beschränkt sich dabei die Übermittlung von Ampeldaten an ADORe.
Bei den Verkehrsteilnehmern müssen alle weiteren Verkehrsteilnehmer im Umkreis des Ego-Fahrzeugs klassifiziert und lokalisiert werden, damit die Trajektorie geplant werden kann. Das übergeordnete Ziel dieses Prototyps ist es anhand des eigen erstellten Sensor-Setups die anderen Verkehrsteilnehmer zu erkennen.
Lokalisierung
Im Folgenden werden erste Ergebnisse des Lokalisierungsprototypen vorgestellt [Stand November 2023]
Aktueller Stand
- Schätzung des nächsten Zustands mit IMU-Daten
- Verbesserung der Position und Geschwindigkeit durch GNSS-Daten
- Optional: Verbesserung der Orientierung durch LiDAR-Sensordaten
Implementierung
Zusammenfassung
Vorteile
- Schnelle Ergebnisse erzielt
- Geringer Rechenaufwand
Nachteile
- Initialisierung des EKF noch mit Ground-Truth-Informationen
- Positionsbestimmung noch zu ungenau
Ausblick
- Lokalisierung verbessern
- Initialisierung mit realitätsnahen Sensoren durchführen
- Evaluation durch Tests
Verkehrssteurung
Im Folgenden werden erste Ergebnisse des Verkehrsteuerungsprototypen vorgestellt [Stand November 2023]
Aktueller Stand
- eine V2X-Kommunikation wird genutzt
- MAPEN für die digitale Karte der Straße
- SPATEM für den Status der Ampel
- OpenDRIVE wird für die Position der Ampeln verwendet
- mit der genutzte Kamera kann ein trainiertes Neuronales Netz genutzt werden
Implementierung
Zusammenfassung
Vorteile
- schnelle Ergebnisse
- Daten korrekt
- Überprüfbar durch Einzeichnen der Wegpunkte in CARLA
- Überprüfbar durch Einzeichnen der Wegpunkte in CARLA
Nachteile
- Abhängigkeit zu CARLA
Ausblick
- Testfälle entwerfen (Zuverlässigkeit überprüfen)
- ADORe nur die Nachricht für die relevante Ampel schicken
- Ampelerkennung über Kamera
- V2X-Nachrichten bestätigen
Verkehrsteilnehmer
Im Folgenden werden erste Ergebnisse des Verkehrsteilnehmerprototypen vorgestellt [Stand November 2023]
Aktueller Stand
- 3 unterschiedliche Lösungsansätze
- LiDAR-basierte Methoden mit PointNets und VoxelNets
- Kamera-basierte Methoden mit 3D Objekterkennung und 2D Objekterkennung mit Tiefenerkennung
- Sensorfusion mit Kamera-LiDAR Fusion und Parallel Fusion
Umsetzung
Zusammenfassung
Vorteile
- Schnelle Ergebnisse
- Allerdings Probleme mit der Einbindung in ACDC Main (ROS Umstellung)
- Funktioniert mit CARLA Daten
- Neuronale Netze (z.B. PointNets) müssten auf CARLA LiDAR nachtrainiert werden
Neutral
- Berechnung statt Vorhersage
- Fahrzeug steht ungünstig → falsche Berechnung
Nachteile
- State of the Art: Neuronale Netze mit LiDAR Punktwolken wie PointNet, VoxelNet, usw.
- Instabile Erkennung
Ausblick
- Testfälle entwerfen
- Anderen Ansatz (vermutlich PointNet) implementieren, testen und zu unserem Ansatz vergleichen