Verwendung eines Automotive-Laserscanners zur globalen Positionsbestimmung

Verwendung eines Automotive-Laserscanners zur globalen Positionsbestimmung

Vor dem Hintergrund der globalen Lokalisierung wird in der Arbeit eine Möglichkeit vorgestellt, eine Positionsbestimmung anhand der Umgebungsmerkmale durchzuführen. Es werden Punktwolken von Straßenabschnitten in urbanem Gebiet verwendet. Dabei werden unter Anwendung eines neuronalen Netzes Merkmale aus der Umgebung extrahiert. Mit Hilfe einer Einteilung der Merkmale in verschiedene Klassen wird ein Streckenabschnitt als Sequenz von Merkmalen dargestellt. Durch den Vergleich mit einer Referenztrajektorie, welche ebenfalls über klassifizierte Merkmale verfügt, wird die aktuelle Position anhand der größten Übereinstimmung gefunden. Im Vordergrund stehen die Größe des zu verwendenden Merkmalsvektors, die Anzahl der Klassen und die Sequenzlänge, welche für eine erfolgreiche Positionierung nötig sind.

Clustering und Sequenzanalyse

Im Experiment ergibt sich eine Zuordnung der richtigen Position von 95 %. Um dies zu erreichen wurde ein Merkmalsvektor von 30, eine Klassenanzahl von 100 und eine Sequenzlänge von 200 eingesetzt. Dabei wurden zwei Trajektorien verwendet, die an unterschiedlichen Tagen aufgenommen wurden.