LiDAR-Based Object Tracking and Shape Estimation

Umfeldwahrnehmung stellt eine Grundvoraussetzung fur den sicheren und komfortablen Betrieb automatisierter Fahrzeuge dar. Insbesondere bewegte Verkehrsteilnehmer in der unmittelbaren Fahrzeugumgebung haben dabei grose Auswirkungen auf die Wahl einer angemessenen Fahrstrategie. Dies macht ein System zur Objektwahrnehmung notwendig, welches eine robuste und prazise Zustandsschatzung der Fremdfahrzeugbewegung und -geometrie zur Verfugung stellt. Im Kontext des automatisierten Fahrens hat sich das Box-Geometriemodell uber die Zeit als Quasistandard durchgesetzt. Allerdings stellt die Box aufgrund der standig steigenden Anforderungen an Wahrnehmungssysteme inzwischen haufig eine unerwunscht grobe Approximation der tatsachlichen Geometrie anderer Verkehrsteilnehmer dar. Dies motiviert einen Ubergang zu genaueren Formreprasentationen. In der vorliegenden Arbeit wird daher ein probabilistisches Verfahren zur gleichzeitigen Schatzung von starrer Objektform und -bewegung mittels Messdaten eines LiDAR-Sensors vorgestellt. Der Vergleich dreier Freiform-Geometriemodelle mit verschiedenen Detaillierungsgraden (Polygonzug, Dreiecksnetz und Surfel Map) gegenuber dem einfachen Boxmodell zeigt, dass die Reduktion von Modellierungsfehlern in der Objektgeometrie eine robustere und prazisere Parameterschatzung von Objektzustanden ermoglicht. Daruber hinaus konnen automatisierte Fahrfunktionen, wie beispielsweise ein Park- oder Ausweichassistent, von einem genaueren Wissen uber die Fremdobjektform profitieren. Es existieren zwei Einflussgrosen, welche die Auswahl einer angemessenen Formreprasentation masgeblich beeinflussen sollten: Beobachtbarkeit (Welchen Detaillierungsgrad lasst die Sensorspezifikation theoretisch zu?) und Modell-Adaquatheit (Wie gut bildet das gegebene Modell die tatsachlichen Beobachtungen ab?). Auf Basis dieser Einflussgrosen wird in der vorliegenden Arbeit eine Strategie zur Modellauswahl vorgestellt, die zur Laufzeit adaptiv das am besten geeignete Formmodell bestimmt. Wahrend die Mehrzahl der Algorithmen zur LiDAR-basierten Objektverfolgung ausschlieslich auf Punktmessungen zuruckgreift, werden in der vorliegenden Arbeit zwei weitere Arten von Messungen vorgeschlagen: Information uber den vermessenen Freiraum wird verwendet, um uber Bereiche zu schlussfolgern, welche nicht von Objektgeometrie belegt sein konnen. Des Weiteren werden LiDAR-Intensitaten einbezogen, um markante Merkmale wie Nummernschilder und Retroreflektoren zu detektieren und uber die Zeit zu verfolgen. Eine ausfuhrliche Auswertung auf uber 1,5 Stunden von aufgezeichneten Fremdfahrzeugtrajektorien im urbanen Bereich und auf der Autobahn zeigen, dass eine prazise Modellierung der Objektoberflache die Bewegungsschatzung um bis zu 30%-40% verbessern kann. Daruber hinaus wird gezeigt, dass die vorgestellten Methoden konsistente und hochprazise Rekonstruktionen von Objektgeometrien generieren konnen, welche die haufig signifikante Uberapproximation durch das einfache Boxmodell vermeiden.