Klassifizierung und Tracking von dynamischen Objekten auf Basis von Punktdaten

 

Student Hendrik Matz
Thema Klassifizierung und Tracking von dynamischen Objekten auf Basis von Punktdaten
Bearbeitungszeitraum 02.05.2017 – 18.10.2017
Betreuer

Prof. Dr. rer. nat. Toralf Trautmann

M. Sc. Sven Eckelmann

Download der Diplomarbeit

Aufgabenstellung

  • Umfelderfassung durch 360°-Laserscanner
  • Arbeiten in der Umgebung des Robot Operating Systems (ROS)
  • Entwicklung der Erkennung dynamischer Objekte als Grundlage für das Tracking und die Klassifizierung
  • Sensordatenfusion
  • Aufzeichnung von Verkehrszenarien für die Algorithmusentwicklung und der Validierung

 

  • Einleitung

    Das automatisierte Fahren ist hinsichtlich des Fahrkomforts und der Steigerung der Sicherheit im Verkehrsraum derzeit eines der wichtigsten Forschungsgebiete in der Fahrzeugindustrie. Die Fahrzeugvernetzung und die Fusion der Sensorinformationen werden an der HTW Dresden innerhalb des NIVES-Projektes („Neue Methoden der Informationsfusion in vernetzten Fahrzeugen zur Erhöhung der Verkehrssicherheit“) bearbeitet. Es werden dabei neue Konzepte zur Entlastung des Fahrers und damit zur Erhöhung der Verkehrssicherheit erarbeitet.

    Im Rahmen der Diplomarbeit wird eine prototypische Umsetzung der Erkennung dynamischer Objekte auf Basis von Punktdaten eines 360° Laserscanners entwickelt. Die Sensordatenfusion erfolgt dabei über einen Ansatz aus der Robotik, dem Robot Operating System (ROS).

  • Messtechnik

    Laserscanner

    Für die Umfelderfassung wird der Velodyne VLP-16 (kurz für „Velodyne LiDAR Puck – 16 Ebenen“) verwendet. Bei dem Velodyne handelt sich um einen abbildenden 360°-LiDAR, der die Distanzen zu reflektierenden Oberflächen nach dem Time of Flight-Prinzip bestimmt und Informationen zur Intensität des reflektierten Laserstrahls übermittelt. Der LiDAR unterteilt seinen vertikalen Erfassungsbereich von 30° in +/- 15° resultierend in 16 Ebenen mit einer Auflösung von 2°. Bei einer horizontalen Auflösung von 0,1° – 0,4° und einer Abtastfrequenz von bis zu 20 Hz werden ca. 300.000 Punkte pro Sekunde erfasst. Intensitäten werden mit einer 256-bit-Auflösung wiedergegeben. Dabei sind Werte <= 100 diffus-reflektierende Flächen wobei schwarz, absorbierend dem Wert 0 und weiß, reflektierend dem Wert 100 entspricht. Der Wertebereich größer 100 gibt die Intensität retroreflektierender Flächen an.

     

     

     

     

    CAN-Schnittstelle

    Die CAN-Schnittstelle wird dargestellt von einem CAN-USB-Adapter der Firma Lawicel. Dieser realisiert die Verbindung zwischen Messrechner und CAN-Bus des Versuchsträgers für die Abfrage der Fahrzeug-Egodaten.

     

     

    Messrechner

    [Intel]

    Der Intel NUC (Next Unit of Computing; 6) ist aufgrund seiner kompakten Größe und der Möglichkeit des Betriebs an einer 12-V-Spannungsquelle für den Einsatz im Fahrzeug geeignet. Er stellt durch das Ausführen des ROS-Cores die Kommunikationsgrundlage im lokalen Netzwerk bereit und führt die Datenverarbeitung durch ROS-Nodes aus.

    Der NUC und der Netzwerkswitch (hier nicht dargestellt) bilden den Kern der Kommunikationsplattform als Grundlage für die ROS-Umgebung.

  • Framework für die Datenfusion und -verarbeitung

    Im Rahmen der Diplomarbeit erfolgt die Entwicklung innerhalb der ROS-Umgebung. „ROS“ steht für Robot Operating System und ist eine Sammlung von Bibliotheken, Anwendungen, Tools und Treiber aus der Entwicklung in der Robotik.
    Über ROS können Sensoren unterschiedlicher Bussysteme eingebunden werden. Für die Kommunikation wird ein Publisher-/Subscriber-Prinzip eingesetzt. „Publisher“ sind alle Nodes, die Daten innerhalb des aufgesetzten Netzwerks veröffentlichen (Node 1 & Node 2). Sie stellen Daten im Netzwerk bereit. Der Informationsfluss zwischen Nodes und dem ROS-Core wird durch sogenannte “Topics” realisiert. Eine Anwendung, die ein Topic abfragt, ist ein „Subscriber“. Es werden Daten zur Anzeige oder Verarbeitung „abonniert“ (aus dem Englischen „to subscribe“). Findet dies in Nodes kombiniert statt, so sind diese Publisher und Subscriber zugleich. Eine einfache Kommunikations im ROS lässt sich dabei bspw. wie folgt darstellen:

  • Umsetzung

    Fahrbahnerkennung

    Die Fahrbahnerkennung wurde auf Grundlage zwei unterschiedlicher Herangehensweisen ausgeführt.
    Es erfolgt die Umsetzung einer Fahrbahndetektion zum einen über die Festlegung eines Erfassungsbereiches in einer zu erwartenden Entfernung der Fahrbahnebene zum Velodyne, und zum anderen aus der Filterung von Intensitäten. Der Velodyne, in seiner Eigenschaft als abbildender Laserscanner, gibt zu jedem reflektierten Punkt auch einen Intensitätswert der Relfexion zurück. So lässt sich die Filterung der Fahrbahn durch Nutzung der Intensitätswerte realisieren, da von der Fahrbahnoberfläche nachweislich (im Versuch für trockene Fahrbahnoberflächen nachgewiesen) sehr niedrige Intensitätswerte zurückgegeben werden.

    ungefilterte Punktwolke

    Die hier gezeigten Darstellung sollen die Filterung der Fahrbahn durch die Herangehensweise mit Festlegung eines Erfassungsbereiches verdeutlichen. Die Abbildung links zeigt die ungefilterte Punktwolke mit Blick auf die XY-Ebene des Velodyne. Der Velodyne befindet sich dabei im Zentrum der ringförmigen Ebenen am unteren Bildrand. In der rechten Abbildung ist die gleiche Punktwolke mit angewandeter Filterung dargestellt. Die Fahrbahn ist in diesem Fall aus der Punktwolke herausgerechnet.

    Punktwolke mit Filterung der Fahrbahn durch Anwendung des Erfassungsbereiches

     

    Die Erkennung dynamischer Objekte wurde ebenfalls durch einen Ansatz der Nutzung von Intensitätswerten sowie durch Berechnung einer Differenz-Punktwolke realisiert.

    Intensitätsbasierte Objekterkennung

    Intensitätsbasierte Objekterkennung mit Distanzangabe

    Ziel ist die Detektion des vorausfahrenden Fahrzeugs bei gleichzeitiger Distanzbestimmung. Es werden dabei ebenfalls die Intensitätsinformationen der Punktdaten ausgewertet. Die Detektion erfolgt in diesem Fall durch Auswertung besonders hoher Intensitäten, die nur von retroreflektiven Flächen zurückgegeben werden. Retroreflektive Flächen sollen das einfallende Licht direkt in Richtung der Lichtquelle zurückfallen lassen. U.a. sind Oberflächen von Verkehrszeichen und Kfz-Kennzeichen retroreflektiv ausgeführt. Intensitätswerte retroreflektiver Oberflächen setzten sich stark von den übrigen (verhältnismäßig niedrigen) Intensitäten der Punktwolke ab und können so für die Umsetzung dieser Objekterkennug genutzt werden. Weiter erfolgt die Festlegung eines Erfassungsbereichs entlang der Fahrzeugquerachse, damit Störeinflüsse bspw. von Kennzeichen parkender Fahrzeuge oder von Verkehrsschildern minimiert werden können.

     

     

    Objekterkennung durch Bildung einer Differenz-Punktwolke

    Überlagerung der gesamten Punktwolke und der Differenz-Punktwolke (weiß)

    Ziel ist die Bestimmung bewegter Objekte innerhalb eines Erfassungsbereichs. Es werden dabei zwei aufeinander folgende Punktwolken unter Berücksichtigung der Fahrzeugbewegung miteinander verglichen und eine Differenz gebildet, die der Punktwolke bewegter Objekte entspricht.

    Die Darstellung der überlagerten Punktwolken (links) zeigt die gesamte Punktwolke und die Differenz-Punktwolke (weiß) mit Blick auf die XY-Eben des Velodyne. Im Verlgeich mit dem Kamerabild (Abbildung rechts) zeigt sich, dass die bewegten Objekte grundsätzlich korrekt wiedergegeben werden. Das blaue Fahrzeug (Bildmitte, Abb. rechts) wird jedoch durch Schattenbildung verdeckt. Der weiße Bus (linker Bildrand, Abb. rechts) liegt außerhalb des Erfassungsbereichs. Auch das im Kamerabild nicht erkenntliche Fahrzeug (Schatten links neben dem Versuchsträger) wird durch die Differenz-Punktwolke abgebildet.

    Kreuzungssituation im fließenden Verkehr

     

Leave a Reply