Laserscanning
-
Uncertainty Estimation of LiDAR Scene Semantic Segmentation (DFG i.c.sens)Despite the capability of advanced deep learning models to accurately assign semantic labels to LiDAR point clouds, there is a notable lack of methods for uncertainty quantification. However, the estimation of uncertainty is essential for assessing the reliability of any prediction, particularly for safety-critical systems such as autonomous vehicles that rely on real data, including LiDAR point clouds. These systems need not only to perceive their surroundings but also to quantify uncertainty to avoid over-reliance on potentially erroneous predictions. Two primary types of uncertainty are generally distinguished: epistemic and aleatoric. Epistemic uncertainty, which arises from the model itself, reflects the reliability of a model’s predictions, whereas aleatoric uncertainty stems from characteristics inherent in the data.Leitung: apl. Prof. Claus BrennerTeam:Jahr: 2022Förderung: DFG Graduiertenkolleg i.c.sens
-
Localization and mapping using maximum consensusThe long-term goal of this research topic is the creation of a localization and mapping algorithm, which is robust against outliers and disturbances. The research project is embedded in the Research Training Group “Integrity and Collaboration in Dynamic Sensor Networks (i.c.sens)” and primarily aims at improving integrity measures. The research is devided into two steps. In the first step, the localization considering the map as known is examined. In the second step, the problem will be extended treating the map as unknown as well.Leitung: BrennerTeam:Jahr: 2020Förderung: DFG Graduiertenkolleg i.c.sensLaufzeit: 2016-2024
-
Incremental Map RefinementFor autonomous systems, an accurate and precise map of the environment is of importance. Such precise maps can be gained from information acquired by distributed sensors. Then they have to be integrated and aggregated, taking the respective accuracies and sensor characteristics into account.Leitung: Sester, MonikaTeam:Jahr: 2020Förderung: DFG-Graduiertenkolleg i.c.sensLaufzeit: 2016-2024
![]()
![]()
-
LiDAR Mobile MappingFür die dichte und genaue Erfassung der Umgebung vom Boden aus können heute Mobile Mapping Fahrzeuge eingesetzt werden. Im Vergleich zu früheren Verfahren, bei denen Messsysteme an mehreren Stellen aufgebaut werden mussten, kann so die Erfassung im fließenden Verkehr stattfinden. Bei den LiDAR (Light Detection and Ranging) Systemen wurde die Scangeschwindigkeit in den letzten Jahren zudem um den Faktor 20 verbessert. So werden heute Erfassungsraten von mehr als einer Million 3D Punkte pro Sekunde erreicht. Das ikg verfügt über ein Mobile Mapping System der Firma Riegl, welches in der Regel auf einem VW Bus eingesetzt wird. Im Vergleich zu Systemen, welche ausschließlich auf Kameras beruhen, bietet LiDAR den Vorteil der sehr dichten, detaillierten und genauen Erfassung. Neben der Fahrbahnoberfläche lassen sich auch Objekte des Straßenraums direkt in 3D erfassen, z.B. Schilder, Ampeln, Beleuchtungsmasten, Oberleitungen sowie die Vegetation.Leitung: BrennerTeam:Jahr: 2017Laufzeit: Kontinuierlich
![]()
![]()
-
Massiv Kollaborative Erfassung von dynamischen Umgebungen und ihre Abbildung in digitalen KartenSelbstfahrende Autos und autonome Roboter benötigen hochgenaue Modelle ihrer Umgebung, um über lange Zeit sicher agieren zu können. Doch natürliche Umgebungen wie Straßenzüge enthalten dynamische Objekte und verändern sich mit der Zeit: Gebäude werden neu gebaut, Bäume gepflanzt und Autos unterschiedlich geparkt Da solche Umgebungen nicht permanent erfasst werden können und es immer eine erste Fahrt in einer veränderten Umgebung geben wird, wird ein Umgebungsmodell benötigt, welches mögliche Veränderungen berücksichtigt.Leitung: BrennerTeam:Jahr: 2017Förderung: DFG-Graduiertenkolleg i.c.sensLaufzeit: 2016-2021 (erste Phase)
![]()
![]()
Robotik
-
Erstellung dynamischer Karten durch kooperative FahrzeugeBereits heute sind viele Fahrzeuge mit Sensoren versehen, wodurch eine sehr große Menge sensorieller Daten über den Straßenraum zur Verfügung steht. Bisher werden diese Sensordaten nur individuell von jedem Fahrzeug ausgewertet. Beispielsweise werten Assistenzsysteme die Lage aus und leiten daraus ihr unmittelbares Verhalten (z.B. Notbremsung) ab. Das abgeleitete Wissen steht jedoch anderen Verkehrsteilnehmern nicht zur Verfügung. Dies hat den Nachteil, dass ein Aufbau von Wissen, beispielsweise über gefahrenträchtige Orte, nicht stattfindet.Team:Jahr: 2017Förderung: Deutsche Forschungsgemeinschaft (DFG)
![]()
![]()
-
Massiv Kollaborative Erfassung von dynamischen Umgebungen und ihre Abbildung in digitalen KartenSelbstfahrende Autos und autonome Roboter benötigen hochgenaue Modelle ihrer Umgebung, um über lange Zeit sicher agieren zu können. Doch natürliche Umgebungen wie Straßenzüge enthalten dynamische Objekte und verändern sich mit der Zeit: Gebäude werden neu gebaut, Bäume gepflanzt und Autos unterschiedlich geparkt Da solche Umgebungen nicht permanent erfasst werden können und es immer eine erste Fahrt in einer veränderten Umgebung geben wird, wird ein Umgebungsmodell benötigt, welches mögliche Veränderungen berücksichtigt.Leitung: BrennerTeam:Jahr: 2017Förderung: DFG-Graduiertenkolleg i.c.sensLaufzeit: 2016-2021 (erste Phase)
![]()
![]()
3D-Visualisierung
-
Bubble Slide3D Punktwolken erlauben eine völlig neue Visualisierungsmöglichkeit, indem eine Ansicht von oben mit einer Seitenansicht kombiniert werden kann. Dies wird erreicht, indem in der Vogelperspektive, in der beispielsweise nur Gebäudedächer, aber keine Fassaden zu sehen sind, die Fassaden längs der Straße mit einer virtuellen Kugel nach außen gedrängt werden.Leitung: Brenner, ClausTeam:Jahr: 2017
![]()
![]()
Projektseminar
-
Projektseminar 2012/2013: Mobile MappingZiel des Projektseminars war zum einen die Berechnung einer GNSS/INS-Integration, zum anderen die Verbesserung der Trajektorie gegenüber den Ergebnissen, die mit kommerzieller Software erzielt werden können, sowie schließlich die Ableitung von Gebäudemerkmalen für die Automatisierte Kaufpreissammlung (AKS).Leitung: Brenner, Alkhatib, Hofmann, Vennebusch, WeitkampTeam:Jahr: 2012
![]()
![]()
Mobilität
-
Prediction of behaviour and its storage in mapsIn the context of the RTG i.c.sens, the behavior of objects and phenomena in the environment will be studied in order to describe it and store it in maps.Leitung: Sester, MonikaTeam:Jahr: 2023Förderung: DFG Graduiertenkolleg i.c.sensLaufzeit: 2022-2024
![]()
![]()
Big Data und Machine Learning
-
Uncertainty Estimation of LiDAR Scene Semantic Segmentation (DFG i.c.sens)Despite the capability of advanced deep learning models to accurately assign semantic labels to LiDAR point clouds, there is a notable lack of methods for uncertainty quantification. However, the estimation of uncertainty is essential for assessing the reliability of any prediction, particularly for safety-critical systems such as autonomous vehicles that rely on real data, including LiDAR point clouds. These systems need not only to perceive their surroundings but also to quantify uncertainty to avoid over-reliance on potentially erroneous predictions. Two primary types of uncertainty are generally distinguished: epistemic and aleatoric. Epistemic uncertainty, which arises from the model itself, reflects the reliability of a model’s predictions, whereas aleatoric uncertainty stems from characteristics inherent in the data.Leitung: apl. Prof. Claus BrennerTeam:Jahr: 2022Förderung: DFG Graduiertenkolleg i.c.sens
