Ein Kontur schätzendes Kalmanfilter mithilfe der Evidentheorie
Im Projekt Stadtpilot wurde die im Urban Challenge Team CarOLO der TU Braunschweig eingesetzte objektbasierte Umfeldwahrnehmung weiterentwickelt. Bedingt durch das veränderte Szenario wurde der Einsatzbereich des Versuchsträgers von abgesperrten Testgeländen in den öffentlichen Straßenverkehr verlagert. In dieser veränderten Umgebung werden Fremdfahrzeuge von den eingesetzten Sensoren durch einen offenen Polygonzug (Kontur) mit einer Vielzahl von Stützpunkten beschrieben. Teilweise liegen sie auf Geraden oder bilden das Rauschen der Kontur ab und leisten so keinen Beitrag zur Beschreibung der Kontur. Diese überflüssigen Punkte erschweren ein erfolgreiches Tracking und verzerren die Kontur der Objekthypothese. Aufgrund des zahlreichen Fremdverkehrs, bedingt durch die Veränderung des Umfelds, treten ferner häufig Perspektivwechsel durch überholende und überholte Fahrzeuge auf. Aus diesem Grund erfahren einzelne Stützpunkte der Kontur keine weiteren Aktualisierungen durch Messungen und können so ebenfalls zu Verzerrungen der Kontur führen. Um diesen Problemen zu begegnen, wurde das Kontur schätzende Kalmanfilter um verbesserte Konturaktualisierungen sowie einen Konturklassifikator auf Basis der Evidenztheorie erweitert. Diese Verbesserungen ermöglichen eine Reduzierung der verwendeten Stützpunkte. Ferner werden Perspektivwechsel von überholenden Fahrzeugen besser unterstützt, da diese durch den Klassifikator explizit erkannt werden.
In project Stadtpilot, described in, the object based environment perception system developed by the urban challenge team CarOLO at TU-Braunschweig, as presented in, was enhanced. In this new project context, the scenario is further complicated to include public traffic on large inner-city loops. Other vehicles are described by the projects sensor data fusion by an open polyline (contour) with lots of points. Partially, these points lie on straight lines or represent noise of the contour, which do not contribute to the objects description. These extra points complicate an effective tracking and deform the contour of the object hypothesis. Because of the numerous traffic and due to the change in the environment’s type, surrounded vehicles create a change of view very often. This results in no or less measurement updates of some points in the contour and can result in deformation of the contour. In an effort to overcome this problem, the contour estimating Kalman filter, presented in, was enhanced by improved point update algorithms as well as a contour classifier based upon evidence theory. These enhancements allow the decrease of the used points. Changes of view, due to passing traffic, are better identified because the classifier identifies the most likely shape explicitly.
Preview
Cite
Access Statistic
Rights
Use and reproduction:
All rights reserved