Tracking von Verkehrsteilnehmern mit LiDAR

Tracking von Verkehrsteilnehmern mit LiDAR

Autonome Fahrzeuge navigieren auf der Basis von spurgenauen Karten. Diese Karten zu erstellen und zu pflegen ist mit einem hohen Aufwand verbunden. Diese Arbeit ist Teil des  Automatisierungsprozesses, um aus Daten des täglichen Verkehrs spurgenaue Karten zu erstellen. Im Rahmen der Arbeit wird das Verhalten der Verkehrsteilnehmer in einem komplexen Kreuzungsszenario verfolgt. Es wurden sechs Kreuzungen in Hannover mittels statischen 3D LiDAR-Scans mit 10Hz vermessen, um Trainingsdaten für ein neuronales Netzt zu erstellen. Die Scans wurden in Bilder mit Tiefen- und Intensitätsinformation transformiert und die Fahrzeuge auf den Spuren wurden automatisch durch das Entfernen der Straßenebene extrahiert.

Anschließend wurden ein neuronales Netzt trainiert, um die Detektion von Fahrzeugen zukünftig auch in mobilen LiDAR-Scans zu ermöglichen. Aus den Segmenten der Detektion wurden Fahrzeugposen unter Verwendung eines Active Shape Models berechnet und unter der Verwendung von Partikel- und Extended Kalman Filter verfolgt. Jede detektierte Fahrzeugpose wurde mittels eines Fahrradmodells prädizierr, um anschließend die Detektionen des nächsten Zeitschritts zuzuordnen. Die Zuordnung wurde mit der Ungarischen Methode umgesetzt und verschiedene Distanzkriterien wurden untersucht. Die stabilste Verfolgung der Fahrzeuge konnte durch einen Partikelfilter und eine Zuordnung zur nächsten Prädiktion via euklidischer Distanz erreicht werden.